一种用于微观仿真的交通流量预测方法技术

本发明专利技术涉及一种用于微观交通仿真的交通流量预测方法，其特征在于，包括以下步骤：构建路网模型，利用实际数据进行微观仿真模型标定。同时，采集实际流量，基于粒子群优化BP神经网络算法的交通流量预测获得预测流量数据，输出预测流量进行仿真运算、输出该时间段内仿真结果，得到各路段的流量值。仿真流量值作为输入，结合实际采集流量再次通过预测算法进行预测，直至仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求，而后进行预测流量在微观仿真软件中进行评价，以研究预测结果对未来交通产生的影响，使分析更科学、合理。

A traffic flow forecasting method for microscopic simulation

The present invention relates to a traffic flow prediction method for microscopic traffic simulation, which is characterized by comprising the following steps: constructing a road network model and performing microscopic simulation model calibration with actual data. At the same time, the actual acquisition of traffic flow, particle swarm optimization algorithm of BP neural network prediction prediction based on data flow, output prediction simulation and flow output during the period of the simulation results, each section of the flow value. The simulation flow values as input, combined with the actual forecast again by collecting flow prediction algorithm, until the simulated flow value and prediction algorithm to obtain the flow value error reaches a preset requirement, and then predict the flow was evaluated in the micro simulation software, to study the result of prediction of future traffic impact analysis. More scientific and reasonable.

【技术实现步骤摘要】
一种用于微观仿真的交通流量预测方法
本专利技术涉及一种用于微观交通仿真的交通流量预测方法，属于交通预测分析

技术介绍
对于交通流预测，国内外很多学者做过大量的研究，得到了很多预测方法，比如历史数据平均值法、卡尔曼滤波理论、人工神经网络法等，不同方法各有优缺点。本专利技术采用改进粒子群优化的BP神经网络。由于近年来数据采集手段的发展，人工神经网络重新成为了一个研究热点。在预测方面，相较于其它方法，人工神经网络具有很强的鲁棒性、自适应非线性的特点以及分布式信息存储、并行信息处理的能力，非常适合用于预测交通流这种异常复杂的开放性系统。BP神经网络是目前应用最广泛的人工神经网络模型之一，但是单纯的BP神经网络具有易陷入局部极小值以及实时性不强等问题，需要进一步利用优化算法对其进行收敛速度和全局寻优能力的优化。粒子群优化算法被中国科学院文献情报中心与汤森路透旗下的知识产权与科技事业部联合发布的《2015研究前沿》评为数学与计算机领域的十大研究热点，相较于模拟退火、遗传算法等优化算法，其具有复杂度低、计算量小、适用性强、收敛速度快等优点。但是由于粒子种群的快速趋同效应，容易发生早熟收敛的现象。
技术实现思路
本专利技术的目的是利用粒子群优化算法对BP神经网络算法和微观仿真模型进行优化，提高交通流量预测的实用性。为了达到上述目的，本专利技术的技术方案是提供了一种用于微观交通仿真的交通流量预测方法，其特征在于，包括以下步骤：步骤1、根据研究范围内得实际路网情况，建立交通仿真模型；步骤2、利用历史数据对交通仿真模型中的参数进行调整标定；步骤3、在每一个预测周期内，通过布设在道路上的检测器，采集每个检测器的实际交通流量，将实际交通流量作为输入值；步骤4、将输入值输入预测算法，从而得到每个检测器的预测流量，所述预测算法包括以下步骤：步骤4.1、确定BP神经网络算法的拓扑结构，初始化网络权值和阈值，单独运算BP神经网络算法得到误差值；同时，初始化粒子群优化算法粒子和速度，对其赋予随机值；步骤4.2、将上一步得到的误差值的倒数作为适应度值输入粒子群优化算法；步骤4.3、根据输入的适应度值确定每个粒子个体的极值和群体的极值，初次的个体极值和群体极值在步骤4.1中所赋予的随机值中寻找；步骤4.4、根据粒子群算法的更新公式对粒子的速度和位置进行更新，每次粒子更新之后，以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性，更新后重新训练BP神经网络得到新的适应度值；步骤4.5、判断是否满足预设的迭代次数或精度要求，若满足，则进入步骤4.6，若不满足，则返回步骤4.2；步骤4.6、将粒子群优化算法输出的最优群体极值作为最优的权值和阈值输入BP神经网络算法进行网络训练，网络训练包括以下步骤：步骤4.6.1、计算隐含层输出及输出层输出；步骤4.6.2、计算预测输出和期望输出之间的误差；步骤4.6.3、更新权值和阈值；步骤4.6.4、判断终止条件是否满足，如果不满足，则返回步骤4.6.1，若满足，则输出每个检测器的预测流量；步骤5、交通仿真模型根据预测算法输出的每个检测器的预测流量进行仿真运算，输出当前时间段内的仿真结果，得到仿真流量值，判断仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求，如果达到要求，结束运算，如果没有达到要求，则将仿真得到的仿真流量值作为输入值，重复步骤4及步骤5。优选地，在所述步骤2中，将历史数据输入交通仿真模型得到仿真结果，通过比对仿真结果和历史的实际检测数据，得到交通仿真模型的模拟精度，从而对交通仿真模型中的参数进行调整标定。优选地，步骤4.4中，所述粒子群算法的更新公式为：式中，表示第k+1次迭代时第i个粒子的速度，w表示惯性权重系数，c1、c2表示加速因子，r1、r2表示0-1之间的随机数，表示第k次迭代时第i个粒子的个体极值的位置，表示第k次迭代时第i个粒子的位置，表示第k次迭代时群体极值的位置，表示第k+1次迭代时第i个粒子的位置。本专利技术在优化算法中引入了自适应变异算子，即在粒子每次更新后以一定概率重新初始化粒子，使其能够跳出之前搜索到的最优位置，提高寻找到更优值的可能性。通过本专利技术可以得到一系列交通评价指标，同时能够直观的展现出未来一段时间内路段的交通情况；并且使用者可以根据预测流量值，在仿真系统内对计划采用的疏导措施进行模拟推演并分析其预期效果，从而对决策的制定和实施提供重要参考价值。附图说明图1为一种用于微观交通仿真的交通流量预测方法示意图；图2为BP神经网络拓扑结构。具体实施方式为使本专利技术更明显易懂，兹以优选实施例，并配合附图作详细说明如下。结合图1，本专利技术提供的一种用于微观交通仿真的交通流量预测方法，包括以下步骤：步骤S-1：路网模型建立在仿真软件中，根据研究范围内的实际路网情况，建立路网模型，包括道路、路面标志标线、以及交通信号灯、车检器等交通设施。步骤S-2：利用实际数据进行模型标定根据仿真模型的具体需求，采用合适的历史数据输入仿真软件中。通过比对仿真结果和实际检测数据，可以得到仿真模型的模拟精度，从而对模型中的参数进行调整标定。在微观仿真模型中，通常通过调整车速分布等参数提高仿真模型的精度。微观仿真模型为交通影响分析的模块，将预测得到的流量值作为输入值输入微观仿真模型中，从而得到预测的交通状态以及相关交通评价指标。微观仿真模型主要由三部分组成，第一部分是路网模型，用于精确描述路网的拓扑结构，包括交通信号灯、车检器等交通设施；第二部分是交通生成模块，用于对交通仿真模型进行交通数据输入和生成；第三部分是车辆行为模型，微观仿真模型的模拟对象是单一车辆，因此其车辆行为模型主要用于模拟车辆的跟驰、变道等精确行为。其中路网模型及车辆行为模型都采用仿真软件中现有的成熟模型，而交通生成模型则需要通过算法获得预测路网上的车流量、车辆分布等信息，将预测值作为仿真模型的输入值。步骤S-3：采集实际流量，输入预测算法在每一个预测周期内，通过布设在道路上的检测器(通常为线圈)，采集实际的交通流量。将实测得到的流量值作为输入值输入预测算法。步骤S-3-1-1：确定网络拓扑结构在BP神经网络算法中，需要首先确定网络的拓扑结构。步骤S-3-1-2：初始化网络权值和阈值确定输入层节点数n，隐含层节点数l，输出层节点数m，并初始化输入层、隐含层和输出层之间的权值wij和wjk以及隐含层阈值a和输出层阈值b。初次单独运算BP神经网络算法得到误差值。步骤S-3-2-1：粒子和速度初始化粒子群算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征。粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。粒子群优化算法首先需要初始化粒子和速度，对其赋予随机值。步骤S-3-2-2：BP神经网络训练得到的误差作为适应度值将步骤S-3-1-2中通过网络训本文档来自技高网...

【技术保护点】
一种用于微观交通仿真的交通流量预测方法，其特征在于，包括以下步骤：步骤1、根据研究范围内得实际路网情况，建立交通仿真模型；步骤2、利用历史数据对交通仿真模型中的参数进行调整标定；步骤3、在每一个预测周期内，通过布设在道路上的检测器，采集每个检测器的实际交通流量，将实际交通流量作为输入值；步骤4、将输入值输入预测算法，从而得到每个检测器的预测流量，所述预测算法包括以下步骤：步骤4.1、确定BP神经网络算法的拓扑结构，初始化网络权值和阈值，单独运算BP神经网络算法得到误差值；同时，初始化粒子群优化算法粒子和速度，对其赋予随机值；步骤4.2、将上一步得到的误差值的倒数作为适应度值输入粒子群优化算法；步骤4.3、根据输入的适应度值确定每个粒子个体的极值和群体的极值，初次的个体极值和群体极值在步骤4.1中所赋予的随机值中寻找；步骤4.4、根据粒子群算法的更新公式对粒子的速度和位置进行更新，每次粒子更新之后，以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性，更新后重新训练BP神经网络得到新的适应度值；步骤4.5、判断是否满足预设的迭代次数或精度要求，若满足，则进入步骤4.6，若不满足，则返回步骤4.2；步骤4.6、将粒子群优化算法输出的最优群体极值作为最优的权值和阈值输入BP神经网络算法进行网络训练，网络训练包括以下步骤：步骤4.6.1、计算隐含层输出及输出层输出；步骤4.6.2、计算预测输出和期望输出之间的误差；步骤4.6.3、更新权值和阈值；步骤4.6.4、判断终止条件是否满足，如果不满足，则返回步骤4.6.1，若满足，则输出每个检测器的预测流量；步骤5、交通仿真模型根据预测算法输出的每个检测器的预测流量进行仿真运算，输出当前时间段内的仿真结果，得到仿真流量值，判断仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求，如果达到要求，结束运算，如果没有达到要求，则将仿真得到的仿真流量值作为输入值，重复步骤4及步骤5。...

【技术特征摘要】
1.一种用于微观交通仿真的交通流量预测方法，其特征在于，包括以下步骤：步骤1、根据研究范围内得实际路网情况，建立交通仿真模型；步骤2、利用历史数据对交通仿真模型中的参数进行调整标定；步骤3、在每一个预测周期内，通过布设在道路上的检测器，采集每个检测器的实际交通流量，将实际交通流量作为输入值；步骤4、将输入值输入预测算法，从而得到每个检测器的预测流量，所述预测算法包括以下步骤：步骤4.1、确定BP神经网络算法的拓扑结构，初始化网络权值和阈值，单独运算BP神经网络算法得到误差值；同时，初始化粒子群优化算法粒子和速度，对其赋予随机值；步骤4.2、将上一步得到的误差值的倒数作为适应度值输入粒子群优化算法；步骤4.3、根据输入的适应度值确定每个粒子个体的极值和群体的极值，初次的个体极值和群体极值在步骤4.1中所赋予的随机值中寻找；步骤4.4、根据粒子群算法的更新公式对粒子的速度和位置进行更新，每次粒子更新之后，以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性，更新后重新训练BP神经网络得到新的适应度值；步骤4.5、判断是否满足预设的迭代次数或精度要求，若满足，则进入步骤4.6，若不满足，则返回步骤4.2；步骤4.6、将粒子群优化算法输出的最优群体极值作为最优的权值和阈值输入BP神经网络算法进行网络训练，网络训练包括以下步骤：步骤4.6.1、计算隐含层输出及输出层输出；步骤4.6.2、计算预测输出和期望输出之间...

【专利技术属性】
技术研发人员：宋晓鹏，郑纲，赵怀柏，张可，王逸凡，还斌，陈云，周志星，
申请(专利权)人：上海电科智能系统股份有限公司，
类型：发明
国别省市：上海,31