基于粒子群优化的公交车道路拥塞预测算法研究.docVIP

基于粒子群优化的公交车道路拥塞预测算法研究 摘要：本文结合城市公交流量预测的实际需求，基于粒子群优化算法对传统神经网络算法进行了优化。仿真结果说明：用优化之后的神经网络算法对公交车拥塞进行预测，能够取得较为满意的效果。 关键词：公交车 交通拥塞 神经网络 粒子群 流量预测 中图分类号：TP301.6 文献标识码：A 文章编号：1007-9416（2013）12-0123-02 1 引言 交通拥挤、道路阻塞正越来越严重地困扰着世界各国的大城市[1]。传统的交通流量预测是利用统计交通流量判断[2]。这些方法的优势在于实现难度低，便于操作，但是其预测精度往往难以满足需求[3]。近年来BP网络以其独特的优势被运用到交通流量与道路拥塞预测中，它针对历史的数据不确定和非线性的特点，对未来的短期交通流量与道路拥塞进行预测，发挥了较好的作用[4]。但是，传统的BP神经网络算法存在学习过程收敛速度慢、算法易陷入局部极小点和鲁棒性差等缺陷，对预测的效率与精度带来一些影响[5-6]。本文引入粒子群优化算法对其进行优化和改进，通过车载GPS实验与比较，证明了所构建的预测系统的准确度有显著的提升，在交通流量管理方面有着很好的应用价值。 2 粒子群算法及优化 粒子群算法中，粒子就追随当前的最优粒子在解空间中进行搜索，在每一次迭代中，粒子通过追寻两个“极值”来更新自己的位置，用它来优化神经网络的权值，能够在全局范围内以较快的速度找到最优解，收敛速度较快，并避免其陷在局部极小值。因此粒子群算法能够很好地克服传统神经网络算法的弱点。 3 优化后的神经网络结构设计 在优化算法中，将神经网络权值视为粒子群中的“粒子”，初始化粒子的初始位置、速度、惯性权重，从而实现神经网络性能的优化。选取的训练样本来自北京市某路公交车队，该路公交车的首发时间是清晨5：30，末班车为晚上23：30，途径32个站，全程25.9千米。每一辆公交车上均配置了GPS模块单元，以15s为周期，自动采集公交车的位置信息与实时速度数据，由此产生18个小时的数据，以0.5小时对其分段，共计36个时刻，作为样本数据。这些数据作为道路拥塞的数据训练样本集。 输入节点共计8个，分别是上周的同一天的t-1时刻数据、t时刻数据；2天前的t-1时刻数据、t时刻数据；1天前的t-1时刻数据、t时刻数据；当天的t-2时刻数据、t-1时刻数据.结合Kolmogorov算法，隐含层为7个节点，输出层中的神经元有1个，即8-7-1结构。以粒子群算法优化传统的神经网络方法，对BP网络进行训练，从而获取较优的权值、阈值。 对所构建的优化神经网络，以数个不同的速率进行初步训练，并统计对比不同速率之下训练之后的误差平方和值。如果此值能够快速减小，则证明所选择的学习速率比较理想。而假若此值减小较慢或者出现了无法容忍的震荡，则说明学习速率不合适。学习速率过大，会导致系统失去稳定性，过小则容易使收敛速度过于缓慢。通过反复试验和综合对比，并结合研究成果中学习速率区间为[0.01～0.7]的研究结论，将学习速率最终定位于0.6。 4 仿真验证 （图1）中，横坐标是神经网络的训练次数，纵坐标为训练误差值。从基本BP网络的误差曲线可知，训练次数超过300次时，目标误差值10-4尚未达到，收敛较慢，性能不佳；而粒子群优化后的BP网络则在第19次时满足了目标误差值，可见性能有较为明显的提升， 经过更少的迭代次数就使网络的性能达到了要求。 通过以上的方法，以2013年10月13-17日该路公交车数据对神经网络进行训练，并以完成训练的神经网络来预测2013年10月18日的车速。可知预测结果十分接近于实际数据，误差绝对值最大为3.33%，已经能够满足交通拥塞预测的需求。结果如下： 将此模型的预测值与输出值通过数理统计进行回归分析，获取预测目标对BP网络结果之间所存在的关联系数，从而以此系数体现优化BP网络的实际性能，最终仿真的拟合度R 0.997（最大值为1），可知相关性和仿真度均十分满意。 5 结语 将粒子群优化的BP算法应用于公交车道路拥塞预测，克服神经网络固有的缺陷，经仿真试验，优化后的BP网络性能有较为明显的提升， 预测结果十分接近于实际数据，误差绝对值最大为3.33%，最终仿真的拟合度R 0.997，可以满足短期预测的需要，对提升城市公共交通服务品质具有比较好的实践意义和理论价值。 参考文献 [1]覃运梅.城市公交调度优化方法研究[D].合肥工业大学，2006，38-39. [2]Goldberg D E， Genetic Algorithms in Search， Optimization and Machine Learning[J].Addison Wesley.1989. [3]王惠南.GPS导航原理与应用[M].北京：科学出版社，2