基于PSOSVM模型南京市区交叉口交通流分析.docVIP

基于PSOSVM模型南京市区交叉口交通流分析 　　摘 要： 道路交叉口作为车辆汇集区域是交通研究的主要对象。利用南京市2010年9月出租汽车GPS数据，通过空间相关分析中Moran′I指数分析了南京市市区空间集聚情况，并利用BP神经网络、支持向量机（SVM）和粒子群优化的支持向量机（PSO?SVM）对空间集聚区域中主干道路形成的交叉口进行了交通流量预测。研究结果表明Moran′I指数能有效找出空间集聚区域，南京市区呈现明显的单中心集聚模式，主要集中在鼓楼区。利用三种模型对市中心交通量进行模拟，结果发现三种模型的相关系数都在0.7以上，但是相较BP神经网络与SVM方法，PSO?SVM的误差最小，误差精度分别提高了约10%和1%，曲线拟合情况与原始数据更加接近。 　　关键词： 城市交通； 交通量预测； Moran′I指数； PSO?SVM； 道路交叉口 　　中图分类号： TN711?34； X928.02 文献标识码： A 文章编号： 1004?373X（2016）17?0128?04 　　0 引 言 　　当下城市经济发展迅速，大中城市人口增加，城市集聚效应明显，集聚区的交通问题已成为交通研究的热点问题。交叉口作为道路节点是车辆汇集区域。合理预测集聚区的道路交叉口交通流量，不但能有效地避免高峰时间段的拥堵问题，甚至能减少交通事故的发生。 　　尽管BP神经网络模型具有非线性映射能力，但是收敛速度缓慢和容易陷入局部最优是目前尚未解决的问题。目前，支持向量机（Supprot Vector Machines，SVM）作为一种新型的机器学习工具，在收敛时间、精度、最优值等方面都优于BP神经网络模型，已经逐渐应用于交通问题的研究中。近些年SVM的研究正朝着参数选择及算法的改进发展 [1]，目前较为流行的是粒子群算法（Particle Swarm Optimization，PSO）。PSO算法调节参数少并且能极大地提高收敛速度和预测精度，非常适合SVM的参数寻优[2?3]。其中Zhu将PSO优化的SVM应用在矿道位移问题上，发现能更好地预测煤矿大变形问题[4]；Tang应用PSO?SVM模型对面部表情问题进行了研究[5]；邵信光利用PSO优化SVM对聚丙烯腈建模，发现预测效果比SVM的误差小[6]；翁钢民利用季节调整的PSO?SVR研究了旅游客流量，从数据与方法上进行改良结果明显优于传统的SVR[7]。事实证明PSO算法能有效优化SVM模型，并且能更好地处理非线性问题。 　　1 研究区及数据 　　南京市市区共计13条主干道，称为“经五纬八“。市区主要分为玄武区、建邺区、秦淮区、鼓楼区。本文以南京市区为研究区域，以2010年9月南京市出租车浮动数据为研究数据（其中出租车总量约7 000辆），采用时空数据挖掘方法，分析南京市区主干道路口交通流变化情况。文献[8]指出晚23点到早8点之间，属于低峰时间段，居民出行量较少，出租车运营以空驶为主，考虑到早晚交接班情况，本文将研究时间段定为白天的6点到夜间的23点，表1是南京市出租车浮动车数据样式。 　　3 结果与分析 　　3.1 南京市空间自相关分析 　　本文采用了2010年9月13日―9月19日南京市出租车GPS数据，利用SQL数据库计算出上下客时出租车位置的改变，并统计出下车点数据，同时参考文献[12]的方法将南京市市区分为10×10的格网，如图2所示。 　　对上述数据采用Moran′I指数分析，求得一周全局Moran′I指数，结果如图3所示。根据Moran′I值的特性发现南京市区载客量呈正相关，呈现聚集效应，从图3可以发现工作日的Moran′I值基本变化不大，从工作日到休息日Moran′I值整体呈上升趋势，并在周六迅速爬升，休息日全局Moran′I值整体较高，休息日相比工作日集聚程度更高。 　　局部Moran′I值测度值能有效反映区域内部各网格之间的相互作用，图3反映出南京市区全局Moran′I值周六与周日相差不大，本文选取了休息日9月19日（周日）进行了局部空间自相关分析，结果如图4所示。 　　从图4可知南京市市区局部Moran′I值呈现周围低，城区中心高的空间分布特征，而且集聚区周围地区局部Moran′I值呈现负值，说明此区域为车辆流出区域，且流出对象为城市中心区域。图4显示经度方向3～6与纬度方向3～7形成的区域为高度集聚区域，此区域应为出租汽车下车高频区域，此区域交通汇入量较大。道路作为交通工具的载体，尤其是道路的节点?道路交叉口，由于红绿灯等原因存在着引起交通拥堵的可能性，研究交叉口交通流量能够发现交通流特性与总体趋势，对有效缓解道路及道路节点的承载压力有着巨大作用。本文提出了一种PSO?SVM模型对南京市区集聚区域的道路交叉口进行了车流量的预测分析，希望能有