基于粒子群的快速路小时交通量预测

基于粒子群的快速路小时交通量预测
本文要紧目的是对都市快速路的小时交通量进行智能推测，由于都市快速路交通量的具有不确定特、非线性等特性，因而对都市快速路的交通流推测需要通过构建推测模型方法进行研究。

人们在不断地探究交通流量推测模型的历程中，在最近发觉并提出了一种基于粒子群优化的BP神经网络的新型的交通量推测模型。

那个推测模型的基础为BP神经网络，辅以用粒子群优化算法对其网络的权值和阀值进行优化，以此来提高神经网络对交通流推测的精度和准确度。

通过研究和数据分析，粒子群-BP神经网络推测模型在推测交通流量应用中具有较好的成效也比较精确。

本文下面分章节要紧系统地讨论现代智能交通系统的进展概况，现代都市快速路与交通交通流推测模型，粒子群优化算法的起源与其原理等，粒子群优化算法与神经网络结合的原理和应用，以及PSO-BP神经网络的交通推测模型的实验仿真等等内容。

关键词：PSO算法；BP神经网络；交通量推测；都市快速路；智能交通系统
Abstract
Main purpose of this article is hour traffic volume of urban expressway intelligent forecast, because of urban expressway traffic flow with uncertainty and nonlinear characteristics, so for the urban expressway traffic flow forecast need to build forecast model methods are studied. People in constant exploration in the course of a traffic flow prediction model, the recently discovered and put forward a kind of BP neural network based on particle swarm optimization of the new model of the traffic volume forecast. This prediction model is the basis of the BP neural network, by using particle swarm optimization algorithm for the network weights and thresholds are optimized, in order to improve the accuracy of neural network to traffic flow prediction and accuracy. Through research and data analysis, the particle swarm - BP neural network prediction model in the prediction of traffic flow in the application has a good effect is also more accurate. In this paper, the following chapters mainly discuss systematically the development of modern intelligent transportation system, the modern urban expressway traffic flow prediction model and traffic, such as the origin of the particle swarm optimization algorithm and its principle, the principle of particle swarm optimization algorithm combined with neural network and its application, and the PSO - BP neural network traffic prediction model of experimental simulation and so on.
Key words：PSO algorithm；BP neural network；Traffic volume forecast；Urban Expressway；Intelligent transportation systems
目录
摘要................................................................................................................................. 错误!未定义书签。

Abstract.. (II)
目录 ............................................................................................................................................................ I II 第1章绪论. (1)
1.1课题背景 (1)
1.2当今智能交通系统的进展概况 (1)
1.2.1现在国内的智能交通系统的进展状况 (1)
1.2.2 国外ITS进展状况 (1)
1.3交通流量推测的意义 (2)
1.4本章小结 (2)
第2章都市快速路与交通流量推测 (3)
2.1都市快速路的特点 (3)
2.2交通流参数介绍 (4)
2.3交通量统计间隔的选择 (4)
2.4交通流推测模型的概述 (4)
2.4.1交通流理论的进展 (4)
2.4.2短时交通流量推测 (5)
2.4.3交通流推测模型 (6)
2.5本章小结 (6)
第3章粒子群优化算法概述 (7)
3.1粒子群算法的产生及其应用 (7)
3.2算法原理 (7)
3.3算法的数学描述 (8)
3.4算法的参数 (8)
3.5算法的流程 (10)
3.6算法的优点和局限性 (10)
3.7粒子群优化算法的改进 (11)
3.8粒子群优化算法与其他算法的比较及其应用与展望 (11)
3.8.1粒子群优化算法与遗传算法比较 (11)
3.8.2粒子群优化算法与蚁群优化算法的比较 (12)
3.8.3粒子群优化算法的应用及其展望 (12)
3.9本章小结 (13)
第4章粒子群优化神经网络原理及实现 (14)
4.1粒子群优化算法与神经网络的结合 (14)
4.2粒子群优化神经网络的权值 (14)
4.3粒子群优化算法和BP算法的融合 (15)
4.4本章小结 (16)
第5章都市快速路小时交通量推测的仿真 (17)
5.1基于PSO-BP 神经网络的短时交通流推测 (17)
5.2参数设置 (17)
5.2.1隐层节点设计 (17)
5.2.2惯性权重 (17)
5.2.3学习因子C
1和C
2
(17)
5.3仿真实验 (18)
5.4本章小结 (18)
结论 (20)
参考文献 (21)
致谢 (22)
第1章绪论
1.1课题背景
随着现代社会的人口不断急剧增长，经济和交通事业的水平不断地高速进展，但与此同时都市道路交通拥挤和交通事故发生却频繁发生，越来越多的连锁反应难题显现在我们面前。

这差不多不是某个地区的难题了，而是扩展成一个全球性的问题，人们在不断寻求难题的解决方法中，慢慢才认识到只是依靠修建道路和建设交通设施的方法是不能解决问题的全然的，要紧还得要从交通操纵治理和交通动态信息治理等这些内容进行的优化治理操纵，智能交通系统就在如此的背景下产生，并在现代交通系统操纵治理中发挥了庞大的作用。

智能交通系统，其的英文简写为ITS，它是通过将各种先进现代科技知识〔比如，通讯信息技术、智能操纵技术，运算机技术等〕系统地运用到整个交通运输的操纵治理的体系中，目的是为了建立起的一种全方位的、精确的、实时的和高效率的，并能够在大范畴内发挥作用的综合的交通运输和治理系统。

那个系统和谐人与车与路，使各个部分和谐、紧密地配合，从而提高交通运输的总体的效率，缓解交通拥堵，提高道路的通行能力，降低交通事故发生的频率等等。

本文的研究内容是对交通流量的推测研究，交通流推测属于智能交通系统中专门重要的一部分，在我们的现代交通运输治理中有着专门大的存在意义。

1.2当今智能交通系统的进展概况
1.2.1现在国内的智能交通系统的进展状况
我国在二十世纪末才开始对ITS的开展进展研究，属于起步比较晚的国家。

我国最早要紧通过引进和消化国外一些智能交通技术产品，并依据此为基础和依照我国现代差不多国情的需要进行研发适合的智能交通技术。

例如，我国的都市道路智能交通操纵系统、高速公路的监控的系统、电子系统收费等等，这些差不多上国家重点科技攻关和示范工程，差不多成长比较成熟，目前在国内一些大中都市和高速公路上得到了一定程度的应用并发挥了专门好的成效与阻碍力，先进性、系统有用有效性等许多方面与国外同类技术和产品比较，还有专门多的不足与短处，然而，相信通过国家人才的不断地努力和奋斗，总有一天这些差距会慢慢缩短，并有我们自己的特点。

1.2.2 国外ITS进展状况
国外进展概况，国外许多经济发达的国家和地区都专门重视ITS系统的进展和规划，就目前而言，全球上已形成了以美国、日本和欧盟为主的三个大力研究和开发智能交通系
统的阵营。

下面要紧通过美国这些国家为代表，介绍国外ITS目前的规划和进展状况。

从美国ITS进展的总体历史来看，美国相关政府部门一直都专门重视ITS的进展并对其进行系统和有效的规划，同时在政策上和资金上为ITS的技术进展提供坚实的基础，同时又大力培养相关的技术人才，不断为ITS的进展需要输送技术人才。

另一方面，政府也紧密和谐企业、学校以及研究所等许多相关机构，充分发挥各个部门的资源和优势，促使ITS能够和谐、有序、健康地进展。

日本的ITS的进展也是通过全民的和谐体制来推动的。

日本政府和民间对ITS的进展都专门重视，并对ITS的研究和进展建设投入了巨量的资金和相关拟定相关政策对其进行全方面的支持，并期望通过进展ITS产业能够推动日本的市场经济的进展。

在过去十年的期间，在日本国内差不多有近几百万套车内的导航应用系统在市场上市，ITS系统差不多在日本专门多交通领域得到广泛的应用。

日本的现在ITS应用要紧这些方面：交通信息提供、电子收费、公共交通、车辆治理、交通操纵治理、交通监控等。

欧盟地区是世界较为发达的地区，然而交通方面的难题也给欧盟带来了许多苦恼。

为此，欧盟十分重视现代ITS的进展，欧盟的重要进展项目其中的一项确实是ITS的研究和进展。

欧盟以整个欧洲的力量和资源对ITS研究进展进行规划和和谐，制定统一的进展框架结构和方案，为各成员国进展ITS提供指导。

欧洲的进展项目凡是关于ITS的都得到欧盟理事会的极力支持，并为其提供充足的财政支持，保证研究所需的经费供给。

同时，民间也对ITS的进展给了极大的支持。

1.3交通流量推测的意义
交通流量推测是智能交通系统中的重要和必不可少缺少的组成部分，交通量的推测在交通的操纵和治理方面都能给人们带来了专门大的关心和便利。

立足于现代的经济与科技水平和都市日益剧增的人口，市民对都市实时的交通信息的要求越来越高，期望出门前就能了解到当前道路的交通状况，从而选择最正确的路线和出行方式。

那么，对道路的交通量的数据推测就能够对出行者提供实时有效的都市道路交通信息，关心他们选择进行更有效出行的路径，实行动态交通诱导，从而达到减少出行时刻和减少交通拥挤的目的。

1.4本章小结
本章讲述了论文选题的时代背景，分析了现代国内和国外智能交通的进展现状，举例说明了交通量推测在智能交通系统中重要作用和对社会交通事业进展的重要意义和作用，是一种有效地解决现代交通问题的重要途径和一种对社会经济的推动力。

第2章都市快速路与交通流量推测
2.1都市快速路的特点
都市快速路建设有分隔带，具有四条或以上的车道，通常差不多上采纳立体交叉的方式操纵车辆出入。

它的作用要紧是为那些高车速、行程长的汽车等保持连续通行能力的都市交通干路。

目前在专门多大都市或是特大都市中都设有快速路，其要紧作用是联系都市各要紧地区，为都市提供远距离的交通服务，其有车速高和通行能力强等特点。

由于各个都市地貌、经济进展情形、都市分布等都有所不同，那么快速路的道路架构就形成了不同的类型和不同的特点。

能够举例，北京的是地面形式的，而上海那么是高架的形式。

我们举高架路为例来说明都市快速路的一些特点。

高架道路车流的总体特点是：车流密度高；行车的间距较小，造成了车速较低；发生交通拥堵和事故的路段多；受地面交通体系的阻碍，以致造成部分匝道的运行交通流出现不稳固，偶然会显现断流情形，交通状态变化不稳固和频繁。

具体表达在：
1、在高架道路的局部路段，专门是在车道减少的路段，在有比较大的转弯的路段，和高架与高架连接的路段，在这些区域，交通高峰时段有专门大的可能性会发生交通拥堵更甚会导致交通瘫痪；
2、高架路和其下匝道相交的地面道路互相作用和阻碍，在某些下匝道的地点也正是高架路的交通瓶颈区域，有比较大的几率会造成交通拥堵；
3、早上和晚上高峰期的交通流方向性比较明显，比较容易显现某段时刻某一方向的的车流会堵塞，而另一方向那么顺畅的的情形。

图2-1 都市快速路示意图
2.2交通流参数介绍
用来进行对交通特点描述或反映交通特点的一些物理方面的参数叫做交通流的参数是一类用来表示某些交通流特点物理参数。

交通流参数又能够划分为宏观参数和微观参数。

宏观参数是整体交通运行状态所能够表现出来的交通特性，其中包括了占有率、流量、速度、交通密度等；微观参数那么用来描述交通流中各个车辆之间的运行状态特点，包括车头时距和车头间距这些参数。

本文是对交通流量推测模型进行研究的，基于内容需要，以下仅介绍一个交通流参数，交通流量〔V olume〕：
流量，是指在某个时刻段内，通过某一点或者某个路段的车辆的总数，一样用q 来表示：
q N T
〔2.1〕
/
式中，T ：测量所用的总时刻；
N ：测量时刻内所统计的车辆数目总和。

流量具有相伴时刻或空间变化而进行变化的特点。

研究都市道路交通流量特性的方法是：选择在某个路段观看该路段的交通流特性在时刻和空间上的变化规律，当测到的流量超过规定的水平常，我们就认为该路段发生了交通拥堵。

2.3交通量统计间隔的选择
交通量的统计时刻的间隔能够直截了当阻碍到交通量推测中的时长和步长。

时长表示交通量推测的时刻的提早量，比如时长为20分钟那么是交通量推测当前时刻开始到接下来的20分钟之间的交通量的状态；步长那么表示交通量推测推测的时刻周期，比如步长为10分钟那么是每10分钟产生一个交通量的推测值。

假如交通流的推测的时长边长，那么相应的交通量推测的精度将越低；同理，假如交通量推测的步长越短，那么交通量推测的周期就会变大，推测的难度就会增大。

合适的交通量统计间隔关于选择交通量推测算法来说是专门重要的一个因素，因为它阻碍到交通数据中的交通信息的质量，交通量的统计时刻间隔必须满足捕捉到交通流的动态性的需要，同时也要方便于推测。

本文由于考虑到我国的都市快速道路交通流所受到阻碍因素比较多，交通量可能会在短时刻内浮动会，剧增或者剧减，本论文选择1小时作为的数据的统计时刻间隔。

2.4交通流推测模型的概述
2.4.1交通流理论的进展
现代交通流理论的进展与道路交通运输业的进展和技术有着必定的联系，两者相互相
成，互相促进进展。

前者为后者提供技术理论基础；而后者那么为前者的理论实践和检验。

在交通运输业中所处的不同时期和时期的科学技术和其进展程度都会不同，因而对交通流理论的研究能力和思路也就都可不能相同。

交通流理论进展历程通常能够划分为三个时期：〔1〕交通流理论的创始时期，概率论和数理统计的方法并靠建立数学模型的应用用来描述交通流量和速度之间的关系是当时最具代表性的。

〔2〕理论的快速进展的时期，在现在期交通流理论获得高速进展，产生了许多个理论分支并其学术上涌现出一批具有代表性的人物。

〔3〕稳步健康的进展时期，专门多数学模型逐步被人们运用于交通流推测的应用中去，并在交通领域产生专门大的阻碍力，这些模型包括：卡尔曼滤波模型、神经网络模型、混合组合的模型等等。

2.4.2短时交通流量推测
在都市道路交通操纵与诱导中，交通流的推测至关重要的一步，专门是关于短时交通流量的推测，因为它能提供的专门重要的实时路面车流数据基础。

都市道路交通流通常具有许多特点，比如：网状特性、时空性、不可预知性、不确定性等。

因而在推测中的有专门多复杂性和不确定性等的因素的阻碍，这使在推测都市道路的过程中存在一定的难度和复杂性。

因而我们在推测都市道路交通流就需要选择合适的推测模型和方法，依照实际情形和需要而确定。

综合目前的研究结果来看，临时还没显现有一种交通流的推测方法能比其它推测方法推测具有绝对的优势，而完全能够替代另一种。

实践说明了，每一种方法和模型的应用都有它的适应范畴和应用的条件，但也有相应的不足与缺陷。

由于每一种方法和模型因为自己的结构和组成等特点而决定了其拥有的特点，当在某种专门条件下，其对交通流推测往往狐疑取得专门好的成效，能达到我们预期的推测精度。

然而，在另一种情形下，它的推测成效可能会比较差，无法满足需求。

交通流的推测过程是时变的，不确定性的，当其处于不同的时刻、路段、环境下，它的某些特点可能会存在专门大的差异，这时候再用其进行推测的结果是不真实的，不可靠的。

总结来说，当我们在面对各种不同环境和条件下需要对其交通流推测时，应当充分考虑各种因素，恰当选择正确的模型与方法或综合运用多种方法以此互相补充各自的缺陷，从而使推测成效达到最好。

当在综合应用多种推测模型都市道路进行交通流推测时，第一需要确定这些模型的参数，要依照各个方面的需要和体会来确定模型的各个待定参数,完整交通流推测模型的结构。

与其它的推测相比，短时交通流的推测是实时的，严格要求其对交通流的推测数据的实时性。

一方面，推测是提供数据进行分析，为了更好地对路面交通进行操纵、诱导和其它治理；另一方面，在都市短时交通流推测系统中，数据的检测和传输是实时完成，系统对搜集到的样本数据，对推测结果的准确度等做出相应评估，我们就能对比各种模型和方法，从而选择最正确的推测方法和模型。

2.4.3交通流推测模型
交通流的推测方法能够划分为两个类型：第一个类型是通过数学或物理方法作为理论为基础的传统的推测模型；另一个类型那么是通过现代科学技术和方法作为要紧理论研究基础的推测模型，那个类型的模型不注重严格意义上的数学推导和物理意义，反而更加重视对真实的交通流现象的拟合的成效[9]。

第一类方法包括时刻序列模型、指数平滑模型等这些常用的数学物理方法；第二类方法那么包括了非参数回来模型、多维分形的方法、状态空间重构模型和神经网络(Neural Network)和其他相关的复合推测模型等。

历史平均模型、时刻序列模型、卡尔曼滤波模型、非参数回来模型和神经网络模型是目前实际广泛得到应用的几种模型[9]。

2.5本章小结
本章我们结合实际情形介绍了都市快速路的交通流特点，其中包括：都市快速路的特点；交通量参数的重要含义及分析；介绍了交通量参数统计的时刻间隔在交通流推测中的总要作用及其的正确选择等；交通流量推测模型的进展状况及其有关推测模型的介绍和短时的交通流量的推测模型的正确选择等。

这些内容都专门好地为我们后面做交通量推测模型奠定基础。

第3章粒子群优化算法概述
3.1粒子群算法的产生及其应用
粒子群优化算法〔Particle Swarm Optimization〕，其的英文缩写为：PSO。

它是近年才进展起来的一种新型的进化算法〔Evolutionary Algorithm - EA〕。

PSO是属于一种仿照生物进化过程的进化运算技术，是埃伯哈特博士和肯尼迪博士于20世纪90年代基于对鸟群的捕食的研究而提出来的新型算法理论。

PSO与遗传算法有相似的地点，两者都被科学家们分类为基于迭代的优化算法。

PSO 算法系统初始化为随机的一组解，并依靠迭代的方式来进行求解最优值，然而与遗传算法不同，PSO没有交叉和变异这种专门的搜索方式，PSO算法的粒子在解的空间中依照查找最优的粒子的方式进行搜索[13]。

与遗传算法相比之下，PSO的优势和特点在于原理简单同时算法的实现专门容易，要求设置的参数少。

基于粒子群优化算法这些功能特点，它比较适合科学的研究和工程的应用等各方面及广泛领域的问题求解。

粒子群优化算法在应用领域目前有，函数优化、神经网络训练、数据挖掘、模糊系统操纵等。

它的应用领域范畴现在差不多专门广泛，同时也在领域取得了大量的研究成果和成功的例子[11]。

3.2算法原理
粒子群优化算法是一种基于群体演化的算法，人工生命和演化运算方面的理论是其的思想来源。

科学家通过对鸟类生活中觅食飞行的研究发觉的。

例如，现在假如存在一个鸟群，它们在某个区域随机地查找所需要的食物，然而那个区域却只有那么一块食物，那么，想找到那块食物的最简单的方法确实是查找当前距离食物最近的那个鸟的周围区域[11]。

在那个地点看，尽管鸟是追踪它周围有限的同伴，然而总体出现的结果却像是整个鸟群看起来被一个无形中心所操纵着。

这种现象说明了，这种复杂全局的行为，是通过鸟与鸟之间这种貌似专门简单的规那么相互作用相互阻碍着而引起的。

粒子群优化算法通过对这种生物种群的特性行为的学习，将其原理运用到求解问题的优化解的应用中去。

在PSO中，每个问题的潜在解都能够把它看成是n维空间上的某一个点，我们能够把它称作为〝粒子〞。

粒子在它的搜索空间中飞行需要有一个固定的速度，那个速度是依照粒子自己和其同伴的飞行体会来进行调整的，群体中所有的粒子都有一个能够运算的适应值，同时那个值是由具体的优化函数所决定的[12]。

粒子自己的飞行体会：粒子明白自己到目前最好位置和当前位置；另外，粒子的同伴体会：每个粒子明白当前整个群体最好位置[11]。

每个粒子由下面的信息为依据改变自己的当前位置：〔1〕粒子当前所处在的位置；〔2〕当前的粒子的飞行速度的大小；〔3〕粒子自己当前最好位置与当前位置的距离；〔4〕群体最好位置与当粒子的前位置之间的距离。

3.3算法的数学描述
一样情形下，我们能够把它的具体的数学描述表示为那个模样：设想成如此，在某一个n 维的搜索空间中，由数量为m 的粒子群体组成：()12,,,T m x x x x =⋯，其中，第i 个粒子的位置能够用数学描述为：,1,2,(,,...,)T i i i i n x x x x =，粒子的现在的飞行速度为,1,2,(,,...,)T i i i i n v v v v =。

粒子的个体极值为,1,2,(,,...,)T i i i i n p p p p =，粒子种群的全局极值为
,1,2,(,,...,)T g g g g n p p p p =。

粒子找到上述的两个极值后，就会此为基础依照〔3.1〕
、〔3.2〕式来更新自己的速度和当前位置：
1,,1,,2,,()()()()k k k k k k i d i d i d i d g d i d v v c rand p x c rand p x +=+-+- 〔3.1〕
11,,,k k k i d i d i d
x x v ++=+ 〔3.2〕 在公式中, c 1和c 2被我们叫做学习因子或加速常数；rand()是在〔0，1〕之间的随机数；,k i d v 和,k i d x 分别是粒子i 在第k 次迭代中在第d 维中的速度和位置；,k i d p 为粒子在i 在第d 维的个
体极值的位置；,k g d p 是粒子群体在第d 维中的全局极值的位置。

总结面两个粒子的进化方程公式中能够得出，c 1是调剂粒子飞向粒子自己最好位置的步长 ；c 2是调剂粒子自身飞向全局最好位置的步长[11]。

为了使粒子搜索的过程中可不能也能为速率过快而飞离搜索空间范畴之中，通常要把v id 限定在一定的范畴内，即,max max [,]i d v v v ∈-，假如具体的问题的搜索空间需要限定在max max [,]x x -范畴内，那么能够依据它的需求设定max max ,01v kx k =≤≤。

3.4算法的参数
上面我们差不多介绍过群优化算法本身最大的一个优点确实是不需要调剂太多的参数，然而,算法中这几个重要的参数却直截了当阻碍着算法的性能与收敛性的好坏与成效。

以当前该算法的研究水平来说，粒子群优化算法的理论还不够完善，因此算法的参数设置还专门依靠与体会。

以下是粒子群优化算法某些重要参数的作用和以往的设置的体会。

〔1〕粒子的数目。

一样的实验需要的取值在20到40之间。

通过专门多实验数据能够说明，关于解决那些比较简单问题时，只需要用到30个粒子就能够专门好地解决问题了；然而，关于那些比较复杂或是比较专门问题时求解时，依照实际需要粒子数目能够取到100。