[发明专利]一种道路车流量预测方法

权利要求书

1.一种道路车流量预测方法，用于预测下一时刻道路的车流量情况，具体包括：

建立道路车流量预测模型，所述路车流量预测模型采用SVM(支持向量机)模型；

采集车流量数据并进行数据预处理，通过在道路上安装摄像头、感应器等设施实现对车流量数据的采集和计算；

将车流量数据输入道路车流量预测模型，得到预测的道路车流量情况，道路车流量情况分为1到10十个等级，1到5级别属于顺畅，由5到10，车流量逐渐增加。

2.如权利要求1所述的道路车流量预测方法，其中，

所述的车流量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、以及下游路口的车流量，Q_t-1,Q_t-2,Q_t-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的车流量，即t时刻的前3个时刻的车流量。

3.如权利要求1所述的道路车流量预测方法，其中，

建立SVM模型包括选择合适的核函数,首先输入较大的数据搜索范采用网格搜索法粗略地选择参数惩罚因子c和核函数δ,然后在粗略搜索的基础上,合理地减小数据搜索范围,利用网格搜索法精确地选择出最佳参数c和δ。

4.如权利要求3所述的道路车流量预测方法，其中，

利用网格搜索法设置惩罚因子c的取值范围为[2^-10,2¹⁰],步进为0.4；核函数参数δ的取值范围为[2^-10,2¹⁰],步进为0.4，通过对支持向量机训练,惩罚因子c的最佳取值为0.85446,核函数参数δ的最佳取值为0.38764,支持向量机分类器选择参数的准确率为79.5536％。

5.如权利要求3所述的道路车流量预测方法，其中，

利用网格搜索法设置惩罚因子c的取值范围为[2^-10,2⁰],步进0.2；核函数参数δ的取值范围为[2^-10,2⁰],步进0.2，经过对支持向量机训练,惩罚因子c的最佳取值为0.42231,核函数参数δ最佳取值为1.01251,支持向量机分类器选择参数的准确率为92.1342％。

6.如权利要求3所述的道路车流量预测方法，其中，

利用网格搜索法设置惩罚因子c的取值范围[2⁰,2¹⁰],步进0.2；核函数参数δ的取值范围为[2⁰,2¹⁰],步进0.2，经过训练支持向量机，惩罚因子c的最佳取值为1.3068，核函数参数δ最佳取值为1.3996,支持向量机分类器选择参数的准确率为96.885％。

7.如权利要求3所述的道路车流量预测方法，其中，

利用网格搜索法设置惩罚因子c的取值范围为[2⁰,2¹⁰],步进0.2,核函数参数δ的取值范围为[2^-10,2⁰],步进0.2。通过训练支持向量机,惩罚因子c的最佳取值为23.1234,核函数参数δ最佳取值为0.035003,支持向量机分类器选择参数的准确率达到96.6677％。

8.如权利要求1所述的道路车流量预测方法，其中，所述支持向量机模型采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：

(1)初始化粒子群,通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化,使参数c和δ构成一个微粒,即(c,δ),并设最大速度为V_max，用pbest表示每个微粒的初始位置,用gbest表示粒子群中所有微粒的最好初始位置；

(2)评价每个微粒的适应度,计算每个微粒的最优位置；

(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较,如果当前适应值优于最优位置,则将适应值作为粒子当前的最好位置pbest；

(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较,如果适应值优于群体微粒的历史最优位置gbest,则将适应值作为群体微粒的最优位置gbest；

(5)根据改进的粒子群算法调整当前微粒的速度和位置；

(6)当适应值满足条件时,迭代结束,否则返回第二步继续优化参数，当第六步完成后,就会优化出最佳的参数c和δ，这样就可以得到最理想的支持向量机模型，用此模型进行故障预测；

其中，设种群大小N＝20,惯性权重ω＝0.9,加速常数C₁＝1.4_,C₂＝1.6,训练支持向量机，得到惩罚因子c的最佳取值为4.0323,核函数δ的最佳取值为0.51003，经粒子群算法优化,SVM分类器的分类准确率达到98.8134％。