[发明专利]一种道路拥堵情况测试方法

权利要求书

1.一种道路拥堵情况测试方法，包括：

步骤S100，建立道路拥堵预测模型；

步骤S200，采集交通流量数据并进行数据预处理；

步骤S300，将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况。

2.如权利要求1所述的道路拥堵情况测试方法，其中，采集交通流量数据并进行数据预处理包括：

通过在道路上安装摄像头、感应器等设施实现对交通流量数据的采集和计算。

3.如权利要求1所述的道路拥堵情况测试方法，其中，道路拥堵情况分为1到10十个等级，1到5级别的交通都属于顺畅，由5到10，拥堵级别逐渐增加。

4.如权利要求1所述的道路拥堵情况测试方法，其中，

所述道路拥堵预测模型是BP神经网络模型。

5.如权利要求1所述的道路拥堵情况测试方法，其中，

所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型。

6.如权利要求1所述的道路拥堵情况测试方法，其中，

所述的道路拥堵预测模型的输入量为：q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-3，q₁、q₂、q₃、以及Q_t分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Q_t-1,Q_t-2,Q_t-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量。

7.如权利要求4所述的道路拥堵情况测试方法，其中，

所述BP神经网络模型为基于遗传算法改进的BP神经网络模型。

8.如权利要求7所述的道路拥堵情况测试方法，其中，生成基于遗传算法改进的BP神经网络模型包括：

1、初始种群的产生

1.1生成一个0～1之间的一个随机小数α，作为学习率；

1.2随机生成1～100之间一个整数，作为隐含层单元数；

1.3产生一个BP神经网络模型作为初始种群的一个染色体；

1.4重复1.1-1.3直至达到所需种群规模；

2、选择适应度函数

其中，eval为适应度函数的函数值，E为BP神经网络的预测误差,T为BP神经网络收敛的时间,

λ是权重因子；

3、选择子代

3.1利用公式(1)计算种群中各个染色体M_k的适应值，

k＝1,2,Λ,pop_size，pop_size是种群规模的大小，pop_size取值为10；

3.2计算各个染色体适应值代数和，

3.3计算各个染色体的选择概率，

3.4计算各个染色体的累积概率，

3.5在[0,1]区间内产生一个均匀分布的伪随机数r；

3.6若r≤q₁，则选择第一个染色体M₁,否则当q_k-1＜r≤q_k时选择M_k，2≤k≤pop_size；

3.7重复3.5-3.6共pop_size次，产生pop_size个[0,1]区间内的伪随机数,选择pop_size个染色体；

3.8将染色体按适应值从大到小排序；

3.9保留适应值较高的前一半染色体作为子代的一部分；

3.10将适应值较低的后一半的染色体利用轮盘赌选择得到子代的另一部分；

4、染色体的交叉与变异

把两个BP神经网络模型作为两条染色体,每个模型的学习率和隐含层单元数作为两个基因,交换这两个BP网络的学习率和隐层单元数就可得到两个新的BP网络预测模型；

种群中前5个染色体与后5个染色体按照上述的方式进行交叉,得到5个新的BP神经网络模型,这5个模型再与步骤3中选择到的5个适应度较高的染色体作为子代,得到新的种群；

对BP神经网络模型的隐含层单元数进行变异，具体为：

其中，h为需要变异的模型隐含层单元数，T为变异模型的收敛时间，T₀为此时种群中所有染色体收敛时间的平均值，变异调整因子η取0.9,μ取1.1，[η×h]和[μ×h]分别表示η×h和μ×h的整数部分，h表示变异后新的模型的隐含层单元数。