基于正交差分演化无迹卡尔曼滤波的短时交通流量预测算法.docVIP

基于正交差分演化无迹卡尔曼滤波的短时交通流量预测算法 　　摘要：针对复杂交通路段下的短时交通流量模型的参数估计问题，建立了基于宏观交通流量预测的状态空间模型，提出了基于正交自适应差分演化的无迹卡尔曼滤波（UKF）算法，解决交通流量预测动态模型的参数优化问题。对差分演化算法（DE）的初始化过程，使用基于正交设计和量化技术的交叉算子最大限度地提高种群的多样性，平衡差分演化算法的开采性和勘探性，更高效地搜索无迹卡尔曼滤波的模型参数。并针对UKF、DE的不同情况，分别采用不同的自适应策略提高调节算法性能。实验结果表明，相对于单独使用随机分布的方式初始化，或者根据经验设置模型参数的方法，使用正交设计方法的初始化策略、变异算子以及参数自适应控制策略的差分演化算法能够有效地节省计算资源，提升预测性能和精度，具有更高的鲁棒性。 　　关键词：交通流量；正交设计方法；无迹卡尔曼滤波；差分演化 　　中图分类号： TP202；TN966 　　文献标志码：A 　　0引言 　　交通对人们的日常出行有着关键的影响，为了提高交通流量的监控效率，短期交通流量预测近年来越来越受到关注。文献[1]对不同的交通控制应用作了充分的调查，可以看出流量预测的重要性。文献[2]从信息的使用方法入手，将交通流量预测分为3种类型：1）根据历史信息预测：自回归的一体化移动平均系列模型[3]、非参数技术、非参数回归[3]、神经网络[4]等；2）根据当前信息预测：基于平滑技术的策略[5]、状态空间模型[6]和支持向量机[5]；3）结合历史数据和当前数据预测，如文献[2]和文献[5]。还有很多工作值得我们进一步关注和研究，例如通过将交通状态进行完全分类，用通畅、缓慢、拥堵、锁死4种状态来表征路上车辆运行状况，以此判断小范围道路的交通状态[7]；重新选择径向基神经网络的输入端和数据， 并对网络的权值和阈值进行重新训练，能够比较好地适应交通流特性[8]；基于混合高斯和卡尔曼滤波，利用遗传算法选择初始权值和阈值，并使用高斯混合模型（Gaussian Mixture Model， GMM）算法训练样本，可以提高全局收敛速度[9]。 　　大多数预测算法是基于离线数据估计流量，对于线上实时估测，只有少数技术实现了实时预测功能，但其存在耗时较长的缺点[10]。在线支持向量回归（Support Vector Regression，SVR）[5]以SVR为基础的算法用于实时预测，其主要优点是增加实时参数的权重，使估值结果更能反映当前流量的状态，缺点是需要建立标准化的模型和高质量的训练集。相比之下，差分演化无迹卡尔曼滤波（Differential Evolution Unscented Kalman Filter， DEUKF）实现了无迹卡尔曼滤波（Unscented Kalman Filter， UKF）的参数自适应调节，能够根据实际情况动态调节模型参数，但计算复杂度较高，在有限函数评价次数内完成定位全局最优值时，难以满足实时性要求。为了提高差分演化（Differential Evolution， DE）的收敛速度，Gong等[11]提出差分演化的正交设计方法，不仅用于生成初始种群，同时也应用于交叉算子的设计。为了满足上面提到的要求，本文提出基于正交自适应差分的无迹卡尔曼滤波（Differential Evolution Unscented Kalman Filter based Orthogonal designing method and Adaptive method， OADEUKF），应用正交设计方法和量化技术优化DE的初始过程和交叉算子提高DE的实时性能，大大改善了基于差分演化的UKF的计算效率。 　　1短时交通流量状态空间模型 　　短时交通流量的状态空间模型不仅能反映系统交通流量的内部状态，而且能揭示观察系统的内部流量状态与外部的输入流量和输出流量的联系。UKF是一种高效率的递归滤波器（自回归滤波器）， 在状态空间模型上应用UKF能够从一系列的不完全包含噪声的测量中，估计动态系统的状态。 　　令观测向量{φi（k）}表示在k时刻第i公路上的交通流量状态，其中i=0，1，…，i0，…，k=0，1，…，k0，…。{φi（k）}表示历史观测数据。流量估计问题可以统一描述为，根据历史观测{φi（k）}来估计当前时刻或未来某时间段内的交通流量值。 　　假设向前一步的交通状态估计模型如下： 　　φi（k+1）=f（φi（k），εi（k））； k=0，1，2，…（1） 　　其中εi表示模型的状态噪声，符合白色高斯随机分布εi～N（0，σ2ε，i）。将某段公路分割成长度为Δi（i=1，2，…，N）的N段。设数据采集的时间间隔为T，时间索引K=0，1，2，…，在离散的时间空间下，