[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

说明书

本发明公开了一种基于PSO与神经网络串联优化的道路通行时间预测方法，首先依据传统阻抗函数的不足，提出了考虑车型影响的道路阻抗函数，利用PSO算法标定优化的道路阻抗函数中的待定参数，其次利用BP神经网络对标定后的道路阻抗函数进行进一步的修正，通过两种算法的串联组合对阻抗函数进行优化。本发明相较于传统预测方法，可以大大提高道路通行时间预测的准确度。

技术领域

本发明涉及一种道路通行时间预测方法，特别是一种基于PSO与神经网络串联优化的道路通行时间预测方法，属于交通分析领域。

背景技术

道路阻抗函数是指路段上行驶时间与路段的交通负荷之间存在的函数关系，它是出行者进行路径选择与管理者进行交通流分配的重要依据。即如何得到一个准确的可以反映实际道路通行时间的阻抗函数一直是国内外学者研究的重点。

国外对路段阻抗函数的研究较早，很多经典的阻抗函数模型都是国外建立的。其中大部分都是使用模型来描述道路的行驶状况，并通过实际调查得到的道路信息标定模型中的待定参数。美国公路局首先对高速公路的通行时间进行了深入的分析，通过实验得到大量的基础数据，最终利用回归分析得到了BPR函数。Spiess等人针对BPR函数中β值过高引起的精度值过低及在饱和度较低时出行时间变化幅度小的问题，改进了阻抗函数模型；Davidson以排队论为基础，提出了具有渐进性的阻抗函数，即当道路交通量达到道路容量时行驶时间为无穷大。U.Mori对BPR函数在阻抗影响参数取值过高时精度不能保证和当饱和度在低位时运行时间几乎不变的问题进行了改进。上述模型都从不同方面计算或优化道路阻抗函数模型。国内对于道路阻抗函数模型研究开始于20世纪90年代，主要是在美国BPR函数上的进一步优化修正。杨佩昆构造出道路横断面不同路幅形式下的路段行程时间函数模型，模型考虑了不同路段、不同车型对道路通行能力的影响，并通过回归法对模型中待定参数进行标定。何南考虑了道路拥挤情况下的道路阻抗函数，还将交叉口密度、公交车站密度、非机动车密度和饱和度等影响因素进行定量化，构造了一种改进的BPR函数，并以不同道路的实测数据进行了道路交通阻抗函数的计算，验证结果表明了模型的有效性。潘义勇将城市交通道路阻抗分为路段阻抗与节点阻抗两部分，路段阻抗利用交通量与交通密度间的相互关系优化BPR函数得到，节点阻抗根据交叉口道路饱和度不同选用不同模型得到。但是，上述阻抗函数求得路段通行时间与实际值还存在较大的偏差。

发明内容

本发明所要解决的技术问题是提供一种基于PSO与神经网络串联优化的道路通行时间预测方法，提高道路通行时间预测的准确度。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于PSO与BP神经网络串联优化的道路阻抗预测方法，其特征在于包含以下步骤：

步骤一：道路阻抗函数为

其中，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表示中型车的折算为标准小汽车的系数，μ表示大型车的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；

步骤三：基于BP神经网络对道路阻抗函数进行修正；