遗传优化支持向量机的交通流量预测模型

牛亚莉

(陕西交通职业技术学院 交通信息学院，西安 710018)

遗传优化支持向量机的交通流量预测模型

牛亚莉

(陕西交通职业技术学院 交通信息学院，西安 710018)

交通流量预测是智能交通管理领域的一个重要热点，结合交通流量的变化特点，针对支持向量机的参数优化问题，设计了基于遗传算法优化支持向量机的交通流量预测模型。在分析当前交通流量预测的研究现状基础上，指出传统模型存在的局限性；采用遗传算法对支持向量机的的参数进行优化，并通过混沌理论对交流流量的原始数据行相空间重构，建立交通流量预测模型；采用仿真实验测试该模型的有效性和优越性。实验结果表明，遗传算法优化支持向量机可以跟踪交通流量复杂的变化特点，获得了理想的交通流量预测结果，而且交流流量的预测误差要明显小其它模型，具有更高的应用价值。

智能交通管理； 流量预测模型； 支持向量机参数； 遗传算法

0 引言

随着人们生活、经济水平的不断提高，许多人都拥有自己的私家车，使得交通流量越来越大，交通堵塞问题越来越严重[1-3]。交通堵塞不仅对环境产生污染，同时增加交通事故发生概率，在该背景下智能交通系统应而生。智能交通系统可以对交通信息进行实时采集，并对信息进行及时分析，而智能交通系统中的关键技术为交通流量的预测。在实际应用中，由于交通信息采集过程中的各种因素影响，如何提高交通流量的预测准确性仍然面临巨大的挑战[4,5]。

当前交通流量预测的研究结果相当的多，最传统的交通流量预测模型为：卡尔曼滤波模型，其以物理和数学理论为基础对交通流量进行建模[6]，该模型要知道有严格意义上的交通流量变化数学模型，在实际应用中，交通流量具有高度的非线性和时变性，无法找到描述其变化特点的数学模型，因此卡尔曼滤波模型的交通流量预测精度低，使得交通流量预测误差远远超过了实际应用的要求[7]。为了解决卡尔曼滤波模型的不足，有学者将各种智能算法引入到交通流量预测的建模中，出现了神经网络、支持向量机，它们以时间序列理论为基础，对交通流量的变化特点进行模拟，取得了更好的交通流量预测效果，尤其是支持向量机的应用范围更加广泛[8-10]。基于支持向量机的交通流量建模过程中，参数的优劣直接决定了交通流量的预测效果，如果参数确定不合理，那么交通流量的预测误差就大，反之交通流量的预测精度就高。当前支持向量机主要采用实验人员凭自己的经验进行确定，而交通流量的类型很多，这样凭经验确定的参数并一定最优，难以建立交通流量预测精度高的支持向量机[11]。

针对支持向量机的参数优化问题，设计了基于遗传算法优化支持向量机的交通流量预测模型，实验结果表明，遗传算法优化支持向量机可以跟踪交通流量复杂的变化特点，获得了理想的交通流量预测结果，具有良好的实际应用价值。

1 相关理论

1.1 支持向量机

对于一个交通流量预测问题，其历史数据为：{(xi,yi)}，i=1,2,…,n，n表示训练样本的规模，那么支持向量机的高维特征空间回归方程可以表示为式(1)。

(1)

式中，w和b分别代表权值和偏置向量。

要建立准确的交流量预测模型，就要找到式(1)中的向量w和b，而w和b的直接求解比较困难，在实际中难以实现，为此对式(1)进行变化，变为一个凸二次规划问题求解，其函数可以描述为式(2)。

(2)

式中，C表示支持向量机的惩罚系数；Remp(f)为支持向量机回归过程中的损失函数。

(3)

(4)

对线性的交通流量，上述形式可以实现建模与预测，然而在实际应用中，交通流量变化受到多种因素的干扰，具有高度的非线性，而且变化速度十分快，因此支持向量机通过映射函数φ对原始数据进行线性映射到，即有式(5)。

(5)

那么可以建立如下的优化目标函数为式(6)。

(6)

设核函数k(xi,x)=<φ(xi),φ(xj)>，那么有式(7)。

(7)

交通流量预测的回归函数可以描述为式(8)。

(8)

由于RBF函数的通用性高，为此选择其作为交通流量预测的支持向量机核函数，其定义为式(9)。

(9)

式中，σ为RBF函数的宽度。

式(8)可以变为式(10)。

(10)

2.2 遗传算法

遗传算法(Genetic Algorithm，GA)借用了自然界中生物进化的选择机理，通过选择、交叉、变异等遗传作用机制对问题进行求解。

3 遗传算法优化支持向量机的交通流量预测模型

3.1 交通流量预测中的参数优化问题描述

在支持向量机的交通流量建模与预测过程中，第一步是要确定最优的支持向量机参数，其是提高交通流量预测精度的关键技术，支持向量机参数优化问题可以描述为式(11)。

s.t.

(11)

3.2 遗传算法优化支持向量机的交通流量预测步骤

(1) 通过专门设备对某一个路段的交通流量进行采集，并做如下处理为式(12)。

(12)

式中，ymax和ymin为最大交通流量值和最小交通流量值；yi为原始的交通流量值。

(2) 通过自相关法和假近邻法估计交通流量的延迟时间(τ)??和嵌入维数(m)，并根据混沌理论对处理后的交通流量数据进行进行相空间重构，建立交通流量建模的时间序列。

(3) 训练交通流量的训练样本输入到支持向量机进行训练，采用遗传算法确定参数C和σ，通过不断的进化最后得到最优的参数。

(4) 根据最优参数建立交通流量的预测模型，如图1所示。

图1 交通流量预测的建模流程

4 仿真测试

4.1 交通流量数据

为了分析遗传算法优化支持向量机的交通流量预测效果，选择一个十字路口每1小时的交通流量数据作为仿真对象，共获得300个交通流量数据，选择200个交通流量数据作为支持向量机的训练集，用于测试其拟合能力，其它100个交通流量数据作为支持向量机的验证集，测试其泛化能力，如图2所示。

图2 交通流量的历史数据

自相关法和假近邻法估计交通流量的延迟时间(τ)和嵌入维数(m)，结果分别如图3所示。

(a)自相关法估计τ(b)假近邻法估计估计m

图3 交通流量数据的混沌处理

对图3进行分析可以发现，该交通流量数据的最优τ=6和m=6，这样通过相空间重构得到混沌处理后的交通流量数据。

4.2 结果与分析

4.3 模型的拟合效果分析

采用遗传算法确定支持向量机的参数C、σ，得到最优参参数为：C=175.28、σ=1.057，采用最优参数的支持向量机对交通流量训练样本进行拟合得到结果如图4所示。

图4 本文模型的交通流量拟合结果

对图4的交通流量拟合结果进行分析可以知道，本文模型可以很好的拟合实际交通流量的变化特点，交通流量拟合精度高。

4.4 模型的泛化性能分析

由于交通流量拟合结果的实际应用价值不高，因为交通流量预测主要是对道路将来的交通拥挤情况进行描述，因此要分析交通流量预测模型的泛化能力，对100个验证样本的预测结果如图5所示。

从图5可以发现，本文模型的交通流量泛化性能相当的好，获得了理想的交通流量预测结果。

图5 本文模型的交通流量泛化结果

4.5 与经典模型的精度比较

为了进行分析本文交通流量预测模型的性能，选择当前经典交通流量预测模型进行对比实验，它们分别为：BP神经网络(BPNN)、标准支持向量机(SVM)、文献[11]和文献[12]的交通流量预测模型，选择交通流量预测精度作为预测结果评价指标。

所有交通流量预测模型的预测精度如表1所示。

表1 交通流量预测精度的对比

对表1中的交通流量预测精度进行对比分析发现，本文模型的交通流量预测精度要远远高于对比模型，不仅可以获得更好的交通流量拟合结果，而且获得更优的交通流量泛化效果，克服当前交通流量预测模型的局限性，具有更好的实际应用价值。

5 总结

交通流量具有复杂的变化特点，针对支持向量参数难以确定的问题，设计了遗传算法优化支持向量机的交通流量预测模型，通过遗传算法的良好搜索能力找到模型的参数，最后的交通流量预测实验结果表明，本文模型获得较好的支持向量机参数，能够更加有效的跟踪交通流量变化趋势，提高了交通流量的预测精度，可以应用于实际的智能交通管理中。

[1] 贺国光,李宇,马寿峰.基于数学模型的短时交通流预测方法探讨[J].系统工程理论与实践, 2000, 12(11):51-56.

[2] 郭牧,孙占全,潘景山,等. 短时交通流预测方法研究[J].计算机应用研究, 2008, 25(9): 2676-2678.

[3] 邱敦国 ,杨红雨. 一种基于双周期时间序列的短时交通流预测算法[J]. 四川大学学报, 2013, 45(5):64-68.

[4] 常刚, 张毅. 基于时空依赖性的区域路网短时交通流预测模型[J]. 清华大学学报, 2013, 53(2): 215-221.

[5] 孙湘海,刘潭秋 基于SARIMA模型的城市道路短期交通流预测研究[J]. 公路交通科技, 2008, 5(1):129-133.

[6] 刘宁,陈昱颧, 虞慧群,范贵生. 基于Elman神经网络的交通流量预测方法[J]. 华东理工大学学报(自然科学版), 2011, 37(2): 204-209.

[7] 孙湘海,刘谭秋. 基于非线性时间序列模型的城市道路短期交通流预测研究[J]. 土木工程学报,2008，41(1):104-109.

[8] 裴玉龙,王晓宁.基于BP神经网络的交通影响预测模型[J].哈尔滨工业大学学报, 2004, 36(8): 1034-1037.

[9] 李松, 刘力军, 解永乐. 遗传算法优化BP神经网络的短时交通流混沌预测[J]. 控制与决策, 2011,26(10):1581-1585.

[10] 赵亚萍,张和生,周卓楠,等. 基于最小二乘支持向量机的交通流量预测模型[J]. 北京交通大学学报,2011,35(2):114-117.

[11] 杨兆升,王媛,管青. 基于支持向量机方法的短时交通流量预测方法[J]. 吉林大学学报(工学版),2006,36(6):881-884.

Traffic Flow Forecasting Model by Support Vector Machine Optimized by Genetic Algorithm

Niu Yali

(Shanxi college of communication technology, Xian 710018, China)

Traffic flow forecasting is an important topic in the field of intelligent traffic management. Combined with the characteristics of traffic flow, aiming at parameter optimization of support vector machine, this paper designs traffic flow prediction model by using support vector machine which is improved by genetic algorithm. Firstly, the current studies of traffic flow forecast is analyzed, the paper points out the limitations of the traditional models, then uses genetic algorithm to optimize the parameters of support vector machine, and the phase space of original data of the traffic is reconstructed by chaos theory, a traffic flow volume forecasting model is estabtished. The superiority and effectiveness of the model are verified by the experimental simulation. The experimental results show that the genetic algorithm optimizes support vector machine, and it can track the changes of complex traffic flow, traffic flow prediction results are ideal, and the prediction error is significantly smaller than other communication flow models.

Intelligent traffic management; Traffic prediction model; Support vector machine parameters; Genetic algorithm

牛亚莉(1980-)，硕士，高级工程师，研究方向：智能交通控制、电子信息。

1007-757X(2017)07-0072-03

TP311

A

2017.01.23)