李斌
摘 要:在對基于Petri網(wǎng)建模道路進行分析時發(fā)現(xiàn),當(dāng)利用智能算法優(yōu)化交通信號時會存在一定滯后性,主要原因在于智能算法運算效率不高,以及道路車輛產(chǎn)生的一些隨機因素等。因此,使用Petri網(wǎng)對交叉口進行建模并模擬車流產(chǎn)生,并運用改進卡爾曼濾波算法對道路車流量進行預(yù)測,用于彌補因車輛隨機因素或使用智能算法造成的時滯。改進算法采用SVM回歸對利用卡爾曼濾波產(chǎn)生的誤差進行擬合與預(yù)測,用于補償卡爾曼濾波算法產(chǎn)生的誤差。實驗結(jié)果表明,利用SVM回歸改進的卡爾曼濾波對車流預(yù)測產(chǎn)生的總誤差比傳統(tǒng)卡爾曼濾波預(yù)測誤差降低了6個百分點,證明該方法有效提高了車流預(yù)測精度。
關(guān)鍵詞:Petri網(wǎng);車流預(yù)測;SVM回歸;卡爾曼濾波
DOI:10. 11907/rjdk. 182341
中圖分類號:TP319文獻標識碼:A文章編號:1672-7800(2019)004-0145-04
0 引言
交叉口道路車流預(yù)測對交叉口交通信號控制起著重要作用,根據(jù)車流預(yù)測結(jié)果可提前制定信號控制方案,以提升交叉口控制效率[1]。但之前研究鮮有將控制算法產(chǎn)生的時滯考慮進去,例如黃輝先等[2]研究道路優(yōu)化時并未考慮智能算法耗時導(dǎo)致的控制滯后性。而且隨著道路規(guī)模的擴大與車輛的增多,控制算法越來越復(fù)雜,研究車流預(yù)測對交通信號控制的意義也越來越重要。利用Petri網(wǎng)模擬交通通行可以精確到每輛車通行情況,國外Angela等[3]利用Petri網(wǎng)對交叉口進行建模,以參數(shù)變化的高斯分布函數(shù)模擬車輛到達情況,并用滾動優(yōu)化方法優(yōu)化各相位通行時長;Julvez等[4]利用連續(xù)Petri網(wǎng)對道路進行建模,并利用模型預(yù)測方法預(yù)測到達路口停車線的車輛數(shù),從而優(yōu)化交叉口信號;Wang等[5]利用Petri網(wǎng)分別對道路與相位切換順序進行建模,模擬交叉口車輛通行與信號切換。在國內(nèi),鄭子茹[6]運用Petri網(wǎng)將道路劃分為不同資源,從而尋求最優(yōu)資源分配方案;楊兆升等[7]是較早將卡爾曼濾波算法運用于交通流預(yù)測中的,并運用歷史同期數(shù)據(jù)對模型進行改進;郭海峰等[8]在楊兆升基礎(chǔ)上,利用模糊決策方法確定卡爾曼濾波預(yù)測值與歷史平均值權(quán)重,并將兩者相結(jié)合得到改進模型,取得了較好效果;傅貴等[9]采用支持向量機回歸方法,利用歷史數(shù)據(jù)訓(xùn)練預(yù)測模型并與卡爾曼濾波預(yù)測值進行對比,結(jié)果表明其預(yù)測效果優(yōu)于卡爾曼濾波;趙卓峰等[10]利用經(jīng)典GM(1,1)模型對交通流進行預(yù)測并用殘差修正經(jīng)典模型,得到的改進模型能夠有效提高模型精度。基于以上研究提供的思路與方法,本文利用卡爾曼濾波與SVM回歸組合預(yù)測方式對交通流進行預(yù)測,相比于單一預(yù)測方法,或利用多種預(yù)測方法通過權(quán)重組合方式進行預(yù)測[11-12],本文利用SVM回歸對卡爾曼預(yù)測殘差進行優(yōu)化預(yù)測,以進一步反饋補償殘差值,從而提升了車流預(yù)測精度。
5 仿真與結(jié)果
仿真平臺采用Matlab2014a版本,首先運用PIPE4.30建立Petri網(wǎng)模型,通過Matlab中的GPenSIM工具箱讀入道路Petri網(wǎng)模型;然后編寫程序,獲得在泊松分布情況下的車輛到達數(shù)據(jù)作為卡爾曼濾波預(yù)測輸入值,得出輸出預(yù)測值,并求解卡爾曼濾波預(yù)測誤差;將誤差數(shù)據(jù)的誤差信息值作為訓(xùn)練樣本訓(xùn)練SVM回歸模型,采集1 000組誤差信息值數(shù)據(jù)用于模型訓(xùn)練,SVM工具包采用臺灣大學(xué)開發(fā)的libsvm工具包;最后將訓(xùn)練好的模型作為誤差信息值預(yù)測模型,對卡爾曼濾波誤差信息值進行預(yù)測,并轉(zhuǎn)換為卡爾曼濾波預(yù)測誤差,用于對卡爾曼濾波預(yù)測值的補償,從而降低卡爾曼濾波預(yù)測誤差。
仿真過程中設(shè)置車輛產(chǎn)生機構(gòu)的泊松參數(shù)[λ]為10 ,仿真時間為60min。圖4為卡爾曼濾波預(yù)測曲線,圖5為改進卡爾曼方法預(yù)測曲線,圖6為卡爾曼濾波預(yù)測相對誤差直方圖,圖7為改進卡爾曼方法預(yù)測誤差直方圖,計算得到改進前的預(yù)測誤差率為13.52%,改進后的預(yù)測誤差率為7.63%。
6 結(jié)語
本文在基于Petri網(wǎng)建?;A(chǔ)上運用卡爾曼濾波算法對車流進行預(yù)測,并利用SVM回歸方法對卡爾曼濾波算法預(yù)測值的誤差信息進行預(yù)測,以補償傳統(tǒng)卡爾曼濾波造成的誤差。實驗結(jié)果表明,改進后的卡爾曼濾波預(yù)測有效提高了預(yù)測精度。通過改進基于Petri網(wǎng)的道路車流預(yù)測方法,可提升優(yōu)化算法對交叉口信號的優(yōu)化效率,使交叉口信號控制的實時性更強,也可為未來對于交叉口信號優(yōu)化與車輛引導(dǎo)過程研究提供參考借鑒。
參考文獻:
[1] 石曼曼. 基于卡爾曼濾波的短時交通流預(yù)測方法研究[D]. 成都:西南交通大學(xué),2012.
[2] 黃輝先,史忠科. 城市單交叉路口交通流實時遺傳算法優(yōu)化控制[J]. 系統(tǒng)工程理論與實踐,2001(3):102-106.
[3] FEBBRARO A D, GIGLIO D, SACCO N. A deterministic and stochastic petri Net model for traffic-responsive signaling control in urban areas[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(2):510-524.
[4] JULVEZ J,BOEL R K. A continuous petri net approach for model predictive control of traffic systems[J]. Transactions on System Man and Cybernetics Part A-systems and Humans,2010,40(4):686-697.
[5] WANG J, YAN J, LI L. Microscopic modeling of a signalized traffic intersection using timed Petri nets[J]. IEEE Transactions on Intelligent Transportation Systems,2016,17(2):305-312.