文摘
交通流是公认道路交通状态预测的一个重要参数。模糊状态变换和卡尔曼滤波器(KF)分别应用于这一领域。但是,研究表明,前者方法具有良好的性能在交通状态变化的趋势预测,但总是涉及到几个数值错误。后者模型是擅长数值预测但缺乏时间hysteretically的表达。本文提出了一个方法,结合模糊状态变换和KF预测模型。在考虑两种模型的优点,提出权重组合模型。预测误差平方和最小的被认为是一种动态优化相结合的目标体重。实际检测数据是用来测试的效率。结果表明,该方法具有良好的性能而言,短期流量预测。
1。介绍
随着中国经济的提高和城市化的增加,交通问题加剧,而交通系统发展迅速。交通问题出现,因为缺点的地区的发展。发展城市智能交通系统(ITS),是缓解城市交通问题的一种有效方法,是必要的。然而,一个基本的必需的是短暂的- - - - - -交通流状态。futureshort信息- - - - - -项可用于真实的交通状态- - - - - -交通管制,真实的- - - - - -时间交通诱导,和其他相关流程。
幸运的是,交通流表现出随机性强,良好的规律,统计属性。因此,在利用这些属性,使用历史交通状态数据允许的估计短期交通状态。交通流是一个重要的交通状态参数;因此,本研究描述了短时交通流量预测方法。
最近,许多学者研究过这个问题,和大量的方法存在。这些方法包括光谱分析方法(1),时间序列模型(2,3[],KF方法4[],nonparameter回归方法5[],神经网络方法6],混沌理论[7),模糊逻辑系统(8)和小波变换模型(9]。
虽然表现出优越的性能预测,所有上述评估方法仍有几个缺陷复杂多变的交通状态。这些模型都有自己的优点,缺点和适用条件。例如,光谱分析方法需要交通状态的分解级数,这将增加许多计算的困难。时间序列模型不断证明性能良好稳定的交通状况,但不能反映动态、随机、交通流的非线性特性。KF展品预测精度高,但它是一个线性预测模型,是不适合非线性交通流;因此,该方法不能总是适应变量交通状况。此外,有时KF预报值与真实值相比可能会被推迟。非参数回归方法适用于短期交通动态和非线性特性,但它需要大量的历史数据。此外,许多计算资源是必需的。神经网络等智能学习算法并不是基于一个理论模型。 By training from a part of historical data, these neural networks and other intelligent learning algorithms can dictate the relationship between inputs and outputs. This advantage of predicting traffic states can exhibit good accuracy in general. However, some example tests show that training takes time; moreover, the results in some contexts easily fall into local minimal, aside from poor generalization. Chaos theory can present the nonlinear features of traffic, but the model parameters such as delay time and embedding dimension are difficult to determine. Only the use of fuzzy state on forecasting can estimate traffic state trends, but its accuracy is not very good. Wavelet transform forecasting efficiency is influenced by the decomposition and reconstruction of series, thus engendering fluctuation in the performance.
改善交通预测模型的强适应性,进一步发展了集成模型。这些新模型主要是基于集成和结合思考。某些情况下结合小波与nonparameter回归或自动回归移动平均模型(ARMA) [10,11]。相比之下,其他实例结合神经网络和模糊逻辑,等等。组合模型结合各种不同交通状况预测子综合在一起组成的部分完全符合子模型来预测当前交通状态,从而有效地提高了模型的适应性和提高精度12]。组合模式通常提出的加权求和的子。一子模型可以更准确一次或交通条件在另一个时候可能并不是那么完美。因此,重量根据交通状态,动态调整优化组合模型的效率。王等人采用贝叶斯理论修改权重组合使用先前的预测精度模型。模型由反向传播(BP)神经网络模型和汽车回归集成移动平均(ARIMA)模型。根据实际交通数据的性能预测,组合模型的结果优于单一预测模型(13]。非参数回归和移动平滑法结合了Ying-hong等人在短时交通预测中应用。这个例子表明,平均绝对相对偏差的方法都是不到10% (14]。Xiangjie提出了一种模糊情报综合方法,包括KF模型,人工神经网络(ANN)模型,并结合模糊逻辑模型。实际应用结果表明,该组合模型,利用独特的KF模型和ANN模型的强度,可以产生更精确的预测比(两个独立的子15]。
尽管交通流可能会受到天气和交通事件的影响,一般来说,道路交通流平均展品强,长期的统计特征。因此,基于统计思想,结合状态转移概率和KF理论来预测短期交通流量是可行的。本研究是基于两个理论介绍实现方法及其效率。
2。模糊状态转换预测方法
这一节介绍两个内容。一个是模糊状态转换预测思想和手段。另一个是更新状态转移矩阵,不断使矩阵同意当前不同的交通模式。
2.1。模糊状态转换预测模型
平均路,交通流量从一个状态到另一个和显示强大的统计特性。因此,根据波动幅度,将分为历史交通流数据模糊的状态。此后,援助的成员函数,参数的成员值(,)的状态可以确定。最大隶属度对应国家的定义是国家当前的参数值。当前检测流数据结合历史转移法律中国家可以构造一个传递矩阵见 在哪里。的数量是状态出现在历史状态。的次数是国家出现在当前状态和转换在下一步。每个州的成员定义向量的时间是。根据状态传输原理,步骤的隶属度向量在时间可以表示为。因此,采用最大隶属度法,或步骤的状态可以获得;此后,可以获得相应的流量参数向量的一步预测流。见以下: 在哪里表示流动参数向量对应于每个州最大隶属度。
2.2。更新状态转移矩阵
道路交通状态随时间变化;因此,实时传递矩阵需要更新。实际上,转会事件至少影响传递矩阵。因此,传递矩阵更新规则应该决心减少不必要的计算。此外,传递矩阵可以跟上交通状态转换属性。为连续时间,一步预测错误被视为一种信号,让矩阵更新。阈值定义如下。如果误差大于,那么矩阵将被更新;否则,当前矩阵是保留。过度的历史检测数据会影响当前的预测精度;因此,一些数据太老了应该省略。历史数据带来的系列长度参数。当传递矩阵更新,历史数据的时间步长可以用作基础数据构建新的传递矩阵。的值,,可以分别由道路交通特性决定。
3所示。卡尔曼滤波器模型
在考虑到交通也有类似的特点为一个链接在同一天在不同的星期,有时一天,,设置;道路的历史流,,;搜索同一个工作日或周末连续流数据系列的历史检测数据。此后,第一集的历史流序列之间的最小欧氏距离当前序列确定。相应的平均集表示为,,。方程如下: 在哪里是选择的标签数据集的最小欧氏距离当前序列,然后呢周一,周二一天,比如,星期天。
当前序列和均值的比值序列了,,并计算了 在哪里当前天流在时间吗。
时的值通过卡尔曼滤波方法,当前日期可以根据预测方程。
被认为是由前面的时间比率和步骤的定义是 在哪里是剩余的。为了方便表达,(6)设置:
此外,(7)设置: 在哪里是一个状态转换向量的值为1。模型噪声,这是假定为零。的意思是白噪声,其协方差矩阵提出了。
如果是设置为观测变量,那么KF状态方程和观测方程,见以下: 在哪里卡尔曼增益;滤波误差方差;和,,可以设置为1或单位对角矩阵之前如果没有数据存在。
从前面的方程,当了,然后获得使用(9)。公式可呈现
预测流提出了为
4所示。组合预测
表现良好的状态转换模型的预测序列波动趋势。然而,模型的本质是平均概率基本数据统计。因此,预测结果值总是位于国家的意思。预测的准确性也不能完全满足交通需求控制或指导。线性系统估计KF具有良好的性能。一个线性系统估计问题通常获得准确的结果。KF模型用于预测时间序列问题;必要的预测价值是一个扩展的时间吗时间变化或之前的状态。因此,KF模型用于预测非线性交通流。结果总是显示一丝时间或之前。测试表明,只有当KF模型的预测精度不能满足要求。然而,状态转移矩阵模型是用于调整KF。线性特性可以减少两个模型的缺点和改进的预测性能。
的预测结果方法假定,,然后组合集成模型可以表示为(18)。预测流在时间吗。 在哪里每个subprediction模型时的重量吗调整的时间步长预测当前时间之前的错误。前有更多的错误的子模型的步骤将较低重量的下一个时间步。基于前面的概念,一个新的组合权重优化方法。以前的平方的总和步骤的集成误差最小为优化对象,获得优化子模型重量是后来解决了。这个方程表示如下: 在哪里和被定义为上述情况下,检测流在时间吗,是检测流系列的数量在当前时间之前。模型输出的优化子模型权重来。然而,(18)需要时间的子模型的重量;也就是说,它需要的价值。在考虑交通状况在短期内的连续性,在本期预测模型具有良好的精度,这样在下一个相邻的时期,它还具有良好的预测精度。因此,以前的时间步长子模型优化权重是用作子模型的重量时。因此,集成的重量提出了为 在哪里表示实际的道路交通状态的波动。
方程(19)是一个非线性约束优化问题。解决这个问题需要两种方法:一是消除约束,然后使用二次规划方法解决问题,另一个是利用粒子群优化(PSO)算法。PSO算法是智能搜索方法具有良好的通用性。采用PSO算法来解决这个问题。方程(19)被认为是适应度函数。约束条件(20.)和(21)设置为粒子的范围。粒子的速度和位置的更新(23)。与此同时,迭代终止条件设置,这是作为两个相邻迭代优化粒子的欧几里得距离小于给定阈值或所需的迭代次数达到一定阈值。当达到终止条件,程序退出,最终输出的优化粒子的位置。更新粒子的位置(24): 在哪里是粒子的速度;最优的位置吗粒子搜索的时间;是全局最优粒子的位置吗;是粒子的位置;是惯性权重,权重的粒子保持速度;粒子的重量,跟踪他们的最优值;粒子的重量跟踪全局最优粒子的位置;是速度约束因素通常设置为1;和是两个均匀分布的随机数位于。
算法的步骤描述如下。
步骤1。随机生成一定数量的个体粒子满足约束条件。
步骤2。基于目标函数,计算每个粒子的适应度;更新每个粒子的历史最优适应度值对应的位置信息;和更新全局最优粒子位置的相应位置。
步骤4。继续步骤2并决定是否终止。如果终止条件出现,然后输出最后的位置,继续步骤5;否则,继续步骤3。
第5步。使用(22)来计算。
步骤6。使用(18)来计算,交通流的预测时间表示为。
5。一个实际的案例分析
连续性流动数据系列高速公路在南昌表明,检测间隔5分钟。四个星期一,这些流动数据发现,一天有288个序列。所有四天总共包括1152流序列。在这种情况下,前三个周一的数据作为实验数据,第四个周一的数据被视为验证数据。首先,本研究中引入的传递矩阵法用于测试效率。根据流量波动幅度分布、流序列可以分为10个模糊状态,可以使用三角函数作为隶属度函数。第二,KF方法用来预测第四周一的流数据。连续三次比率采用构造。可以计算(4)。第三,描述组合方法用于预测第四周一的流数据。这三种方法在MATLAB编程。结果给出了流程图。图1显示了模糊传递矩阵法预测流量曲线和KF系列。实际检测数据也显示在图进行比较。图1表明这两种方法具有良好的性能对短期交通流预测。每个方法的更多细节,包括组合方法,星期一0:00至8:00钟数据被用来绘制图2。图2表明,该组合方法改进的性能两个子。组合模型的曲线更接近实际检测数据的曲线比单独的两个子。
验证的准确性组合方法在这项研究中,平均相对误差(是),均方误差(MSE)和公平系数(CE)选择评价指标研究相结合方法的性能。是可以预测的偏差程度的检测数据真正的检测价值。MSE不仅偏差程度,也反映了色散误差。MSE显示了更好的预测精度较低。CE反映出的适合程度预测值和实际检测到的值。CE应该大于0.9;如果该值更接近于1,那么它有更好的预测性能。在比较当前方法与其他短期流量预测方法,贝叶斯组合预测模型(13)采用使用相同的数据来预测第四周一的流量数据。预测精度的描述组合方法和贝叶斯组合方法是回滚步骤的影响值;因此,不同的值的两种组合模型来解决预测问题。表现在以下两个表所示。表1介绍了两子的误差指标,即模糊矩阵和KF转移。表2显示了两个组合模型在不同错误索引值。
每个错误指示器显示为计算方程 在哪里预测价值在时间吗和是真正的检测时间价值。
验证数据的表1和2节目,描述的组合方法(PSO)本文回溯时间步。每个错误指示器比单一子模型。例如,传递矩阵模型的9.13%,而KF的模型是12.43%。当回溯时间步等于2 ()合并后的模型表现良好;的值是7.85%。与传递矩阵模型,比较PSO优化1.28%,KF模型,4.58%是优化。贝叶斯模型组合得到相同的结果的方法。在贝叶斯模型,当= 2,是9.91%,最低的战神。MSE表2表明PSO组合模型的值低于贝叶斯组合模型,表明PSO组合方法的误差分布更集中的贝叶斯组合方法。因此,预测的可靠性优于PSO方法的贝叶斯方法。此外,除了算法、贝叶斯方法生成MSE时最低等于2。上面的两个方法是0.9的国际消费电子展上,和两个方法最好的性能等于2,类似于和MSE。在一体化方面,表中的数据2表明,该算法方法的精度优于贝叶斯方法,和2次步骤回溯是最适合的组合模式,也就是说,10分钟的时间是正确的评估步骤对道路交通流的波动。然后短时间内表现出特定的特征;即流量大幅波动进行评估。长时间,流量稳定增加,因此在预测交通诱导困难。
6。结论
状态转移矩阵法用于时间序列波动的趋势预测有很好的效果。KF有波动的时间序列估计。在本文中,使用这两个子的特点,和两个子的总和。在改善的准确性提出了动态组合权重优化方法,预测误差平方最小作为优化目标,算法是用来解决这个问题。测试结果表明,本研究中的两个子有一个性能良好的预测精度,但是它们结合后,进一步提高预测精度。与贝叶斯组合方法相比,PSO组合描述方法执行得更好。
总之,描述的数值分析证实了可以应用于短期交通流预测方法。然而,这些测试结果还暗示,预测并不总是有良好的准确性,比如当交通流波动很大。因此,在不久的将来,我们计划研究的其他组合权重优化方法可以进一步充分展示每个子模型的优势和增加组合模型的普遍适应性。
利益冲突
作者宣称没有利益冲突有关的出版。
承认
这项工作被江西省自然科学基金财务支持。的数量是20142 bab201015基础。