[发明专利]基于PSO与神经网络串联优化的道路通行时间预测方法

权利要求书

1.一种基于PSO与神经网络串联优化的道路通行时间预测方法，其特征在于包含以下步骤：

步骤一：道路阻抗函数为

其中，t为车流经过路段所需要的时间；t₀为车流经过路段的自由通行时间；Q_总表示路段总交通量，Q_大表示路段上大型车交通量，Q_中表示路段上中型车交通量，C表示路段上的通行能力；a₁、a₂、a₃、β₁、β₂、β₃为待定参数；

Q_总与Q_中、Q_大的关系如下式所示

Q_总＝Q_小+ρ·Q_中+μ·Q_大

其中，Q_小表示路段上标准小客车交通量；ρ表示中型车折算为标准小汽车的系数，μ表示大型车折算为标准小汽车的系数；

步骤二：基于PSO对道路阻抗函数参数进行标定；

2.1采集道路交通量与行驶时间信息；

所述2.1具体为

为了标定道路阻抗函数中各参数的取值，利用区间观测法在道路两交叉口分别安置一个摄像机，两交叉口之间无其它交叉路段，被调查道路车辆没有中途掉头的情况下，两台摄像机拍摄的车辆数是相同的，统计任意一个摄像机拍摄结果即可以得到各车型的交通量；

同时利用车牌辨识车辆，两个摄像机同时工作，在摄像机1出现的车辆，在摄像机2再次出现时，记录两个摄像机之间的时间差从而得到车辆的行驶时间；

2.2道路阻抗函数变型；

所述2.2具体为

根据2.1得到N个样本，每个样本包含大型车交通量数、中型车交通量数、小型车交通量数、该种道路情况下的行驶时间；

通过求解下式的最小值来标定各参数的取值：

0a₁、a₂、a₃≤5

0β₁、β₂、β₃≤10

其中，j表示第j个实验样本，总共包含N个样本；Q_j总表示第j个实验样本的总交通量；Q_j中表示第j个实验样本的中型车的交通量数；Q_j大表示第j个实验样本的大型车的交通量数；t_j表示第j个实验样本的实际观测行程时间；表示第j个实验样本的预测行程时间；为第j个样本的相对误差，y为目标函数表示平均相对误差；为了更好的使用PSO算法进行搜索，对参数a₁、a₂、a₃、β₁、β₂、β₃分别使用经验值进行限定；

2.3基于PSO对阻抗函数参数进行标定；

所述2.3具体为

2.3.1随机初始化粒子群

假设D维空间中有n个粒子，每一个粒子的位置为x_i＝(x_i1,x_i2,x_i3,…,x_iD)，每一个粒子的速度为v_i＝(v_i1,v_i2,v_i3,…,v_iD)，其中i＝1,…,n；

阻抗函数中六个待定参数为a₁、a₂、a₃、β₁、β₂、β₃，根据未知数的个数确定维度D为6，粒子数n取40，已知a₁、a₂、a₃的范围在0与5之间，β₁、β₂、β₃的值的范围在0与10之间，即0≤x_i1≤5、0≤x_i2≤5、0≤x_i3≤5、0≤x_i4≤10、0≤x_i5≤10、0≤x_i6≤10、0≤v_iD≤1；初始化种群时分别产生40个六维向量作为各个粒子初始位置与各个粒子的初始速度；

2.3.2粒子适应度值的计算

为了寻找最小平均相对误差y下的参数a₁、a₂、a₃、β₁、β₂、β₃的值，利用粒子群算法搜索适应度函数的最小值；

2.3.3粒子个体最优向量Pi与全局最优向量p_g的更新

粒子i每一次迭代后将会产生一个x_i，将x_i带入到适应度函数中将会得到一个适应度值，粒子i所有经过的位置中选出一个适应度最小的作为个体最优向量p_i，p_i＝(p_i1,p_i2,…p_iD),i＝1,…,n；从个体最优向量中选出一个适应度最小的作为粒子的全局最优向量p_g，p_g＝(p_g1,p_g2,…,p_gD)，其中p_g只有一个；

2.3.4粒子速度与位置的更新

每一个粒子速度都会在下次迭代中变化，变化规则主要依据当前速度、个体最优向量与全局最优向量三个部分决定；粒子速度与位置计算方法如下所示

其中，学习因子c₁、c₂为非负常数，r₁、r₂是区间[0，1]上的随机数，为了防止粒子跳出解的搜索范围；k表示第k次迭代；ω表示惯性权重，它决定了一个粒子以前的速度保持了多少，为了防止速度更新公式受上一步速度影响较大而陷入局部最优，ω取0.7298；

2.3.5终止准则

反复执行2.3.2-2.3.4的步骤，根据收敛曲线设置合适的迭代次数；

步骤三：基于BP神经网络对道路阻抗函数进行修正；

步骤四：通过修正后的道路阻抗函数计算得到路段的通行时间。