基于时序关联规则挖掘交通拥堵预测研究.docVIP

基于时序关联规则挖掘交通拥堵预测研究 　　摘 要：交通拥堵造成的时间延误和能源浪费给社会带来了巨额的经济损失并严重影响了居民的生活环境，是当前亟需解决的重要问题。现有的交通拥堵预测方法并没有考虑到交通流量的时序性，因而不能很好地适应复杂的交通情况。针对这一背景，提出了一种基于遗传算法的时序关联规则挖掘的方法，并通过对挖掘出的时序关联规则进行分类来预测交通拥堵。实验结果表明，本方法能够准确有效地对交通拥堵事件进行预测，能够很好地适用于复杂的交通拥堵状况。 　　关键词：关联规则；交通拥堵预测；遗传算法；数据挖掘 　　引言 　　目前，城市交通拥堵已经成为我国各大中城市正在面临的通病，因其造成的时间延误和能源浪费已给社会带来了巨大的经济损失，对复杂的交通状况进行预测是当前亟需解决的重要难题。常见的预测交通拥堵的方法主要是基于各类数学模型并且大多只对单个时刻进行预测，由于交通系统复杂多变的特性，这类方法往往考虑到的参数并不全面，同时没有考虑到交通拥堵状况的时序性。 　　近年来，许多人开始致力于智能交通系统的研究，提出多种交通拥堵预测方法。文献[1]中，使用了多元线性回归模型，其具有实现起来容易且理论基础成熟等优点，但是该模型对不同交通状况的适应度较差。文献[2]中，Fahmy M.F.和Ranasinghe D.N.等人提出了一种使用排队模型从而对交通状态进行判别的算法。文献[3]通过人工神经网络模型进行交通拥堵预测，这种方法具有很强的学习能力，但对数据量的需求过于庞大，当交通系统数据不足时，预测结果不尽如人意。文献[4]采用了ARIMA模型，能够较好地体现出交通流量的非线性特征，但当系统中出现交通事故等突发性事件时，会使模型运算效率降低。 　　在实际的交通系统中，各个路段发生拥堵往往遵循一定因果关系，同时考虑到交通拥堵的时序性，提出一种基于遗传算法的时序关联规则挖掘的方法，挖掘出各个路段发生拥堵事件的潜在的规律，并通过将挖掘出的关联规则进行分类，以达到预测交通拥堵的目的，为提升交通系统整体性能提供前提保证。 　　1 问题分析 　　拥堵等级划分（一）： 　　在实际路网中，道路的车辆密度是评价该条路的拥堵等级的重要参数。车辆密度由道路长度，平均车长，平均车间距，车道数以及车辆总数等参数共同决定。 　　车辆密度计算公式如下： 　　公式（1）中，D为车辆密度，N为当前道路上的车辆总数，l和s分别为平均车长与平均车间距，L为当前道路的长度，n为当前道路的车道数。 　　根据道路的车辆密度，本文将拥堵等级划为三个等级，1级为通畅，2级为轻微拥堵，3级为严重拥堵，拥堵等级及密度阈值见表1。 　　2 时序关联规则挖掘 　　2.1 关联规则 　　关联规则就是在一个数据集中发现不同事务彼此之间的相关性，其两个最重要的约束参数，一个是支持度（Support），表示规则出现的频率程度，另一个是置信度（Confidence），表示规则可靠性的程度。本课题中关联规则如下所示： 　　可解读为，当满足道路1五分钟前轻微拥堵，以及道路2当前时刻通畅的情况时，那么道路3在五分钟后会发生严重拥堵。 　　2.2 遗传算法 　　?榱耸视?交通系统的高度复杂性和各种突发事件，传统的利用数学模型的交通拥堵预测算法的实施困难性很大，而且难以加入时序关系，而交通拥堵事件的时序性又是有必要考虑的，所以本课题设计了一种利用遗传算法来挖掘时序关联规则的方法。 　　2.2.1 编码 　　如图1所示，遗传算法的每个染色体由上下两层结构组成，其中上层为道路的拥堵程度，取值为1～3，分别对应三个等级，下层为引入属性type，type取值为0～2，代表其上层拥堵程度的类型，type为1和2的个数为定值，染色体的长度与路网中道路的个数相对应。 　　2.2.2 解码 　　规定解码出的规则的前提有且最多有三个，规则的结论有且只有一个，若染色体type=1的个数为a，type=2的个数为b，当规则未添加时序时，每个染色体可解码出的规则数为（A3a+A2a+A1a）*A1b条，当规则添加时序时，规定规则取三个时刻，分别为t1，t2，t3，相邻两间隔相差300秒，t2为当前时刻，前提可为t1或t2时刻，结论只能为t3时刻，则每个染色体可解码出的规则数为（A3a*8+A2a*4+A1a*2）*A1b条。 　　2.2.3 交叉 　　若两个父染色体的第i 位上层属性分别为Lix，Liy，子染色体的第i位上层属性为Liz，当进行交叉操作时，子染色体的每一位的Liz，由随机从对应的Lix和Liy中选择一个遗传而来。 　　若每个染色体下层属性为2和1的个数分别为x个和y个，记录两个父染色体所有下层属性为2的位置，则子染色体下层属性在这些位置中随机选择x个设置为2，记录两个父