[发明专利]一种道路车流量预测方法

说明书

技术领域

本发明涉及城市道路检测领域，具体涉及一种道路车流量预测方法。

背景技术

实时准确的交通流预测是智能交通控制和诱导的关键，有助于提高交通设施的利用效率和人们的出行质量。车流量预测根据时间跨度分为长期和短时车流量预测两种，尤其是短时交通预测具有突发性和随机性，一直是国内外交通专家和学者研究的热点。

对于短时车流量预测，迄今已提出了许多模型，传统短时车流量预测模型主要有回归分析法、趋势外推法、灰色系统法和时间序列法等。然而，城市道路交通系统是一个有人参与的、时变的、非平稳随机系统，由于气候因素、司机的心理状态、突发事件和交通事故等多种原因，导致短时车流量具有高度的不确定性，规律性明显等特点，传统线性预测方法无法对其进行准确预测。近年来，随着非线性动力学的不断发展，神经网络算法ANN(artificial neural network)日益成熟，其具有自组织、自学习能力，无需考虑数学模型的内部结构、假设前提条件和人为地确定因子权重，就可对短时车流量等非线性动力学现象的任意非线性函数进行逼近和模拟，在非线性预测领域如网络流量、短时车流量中得到广泛的应用。但在实际应用中，神经网络的学习法采用经验风险最小化原理，不能使期望风险最小化，在理论上存在缺陷，常会出现需要确定网络结构、过学习与欠学习、局部极小点等问题。基于统计学习理论的支持向量机SVM方法能够较好地解决小样本、非线性等问题，在短时车流量预测中被证明了优于ANN和其他方法。SVM预测的性能对于参数的选择比较敏感，到目前为止，还没有得到指导SVM参数选择的好方法，也没有规律可循。在实际应用中大多凭经验确定其参数，这可能导致由于SVM参数选择不合理导致短时车流量预测误差比较大。

现有的方法还存在预测准确性不高、效率低下等问题。

发明内容

至少部分的解决现有技术中存在的问题，本发明提出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。

优选的，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。

优选的，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。

优选的，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％。

优选的，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％。