一种优化的短时交通流量预测算法

李诚，张宏烈，葛海淼，杨欣宇

一种优化的短时交通流量预测算法

李诚，张宏烈，葛海淼，杨欣宇

（齐齐哈尔大学 计算机与控制工程学院，黑龙江 齐齐哈尔 161006）

短时交通流量预测是智能交通的理论基础，是交通流诱导系统中的关键性技术．对短时交通流量预测的研究具有很高的社会价值．目前，SVR智能预测模型已经被应用于这一领域．针对SVR模型参数选择难、预测精度有待提高等问题，运用人工蜂群算法（Artificial Bee Colony Algorithm，ABC）对SVR参数进行优化选择，提出了基于人工蜂群算法优化SVR的短时交通流量预测模型（ABC-SVR），并与其它典型预测模型进行了对比仿真实验．实验结果表明，ABC-SVR算法具有可行性和精确性．

预测算法；人工蜂群算法；支持向量回归机；短时交通流量

随着我国经济的迅速发展和城市化进程的不断加快，购车人数逐年上升，大中城市中，交通堵塞日趋成为一个严重的问题．交通堵塞不仅对环境产生污染，同时增加交通事故发生概率，因此智能交通系统（Intelligent Transport System，ITS）应运而生．ITS可以对交通信息进行实时采集，及时分析，从而对交通进行诱导控制．ITS中的关键技术就是短时交通流量（采样时间间隔不超过15 min的交通流量）的预测[1]．在实际应用中，由于交通信息自身特点和采集过程中的各种因素影响，如何提高交通流量预测准确性仍然面临巨大的挑战[2]．

短时交通流量预测方法研究一直是国内外研究的热点之一，早在20世纪70年代，一些学者就开始把经济学、物理学等学科中成熟的预测方法运用到短时交通流量预测中，预测方法主要是应用线性理论和统计学理论等．如时间序列模型[3]、卡尔曼滤波理论[4]等，这些传统模型的应用比较成熟，但计算误差较大．为了解决这些模型的不足，学者将各种智能算法引入到短时交通流量预测的建模中，出现了神经网络模型[5-6]、支持向量机模型[7]等．最近几年，有不少研究表明，基于组合预测模型的短时交通流量预测效果更优．该方法同时采用2种或2种以上的预测方法对短时交通流量进行预测，发挥不同预测方法的优势．模型有神经网络模型与遗传算法[8]、卡尔曼滤波与二次指数降噪法[9]等．

1 支持向量机算法及参数分析

2 人工蜂群算法优化SVR模型

2.1 人工蜂群算法

人工蜂群算法求解优化问题的过程是模拟蜂群寻找收益度（含蜜量）最高的蜜源过程，其优点是控制参数少，易于实现，全局收敛性能好，在求解非线性优化函数方面比其它典型的启发式算法具有更加优越的性能．

（3）目标函数适应度值，计算公式为

（4）待工蜂根据观察到的适应度值计算各雇佣蜂被选中的概率，计算公式为

2.2 参数优化模型

建立ABC-SVR模型，其过程见图1．

图1 建立ABC-SVR模型流程

3 仿真实验及结果分析

3.1 实验数据

本实验数据来源为PEMS系统网站下载的某监测点数据．

考虑到每周交通流量的周期性变化，选取工作日2017年9月7日（星期四）的交通流量数据作为研究对象．考虑到交通流量数据高峰期时间段的重要性，本实验选取7：00到20：00时间段作为仿真实验对象．

采集时间间隔5 min，共采集数据157个，前130个交通流量数据作为支持向量回归机模型的训练集，剩下的27个数据作为支持向量回归机模型的测试集．

对数据进行预处理，包括缺失数据处理、异常数据处理和归一化处理．

3.2 可行性实验

使用本文提出基于人工蜂群优化支持向量机的短时交通流量预测模型，即ABC-SVR和传统的SVR模型进行预测对比仿真实验．目的是证明ABC-SVR预测模型在预测短时交通流量上的可行性．

本文仿真实验使用安装了Libsvm-3.21工具包的MATLAB R2010b软件完成．

SVR，ABC-SVR与真实值之间的对比为优化前后的SVR模型预测结果对比曲线图（见图2）．

图2 SVR和ABC-SVR模型预测结果

SVR，ABC-SVR与真实值之间的横向对比，从图2曲线走势上可以看出，ABC-SVR曲线与真实值曲线的拟合度比较好；从评价指标平均相对误差MRE（见表1）上可以看出，ABC-SVR的MRE较低．

表1 SVR和ABC-SVR模型预测结果的MRE对比

通过对比分析可以看出，本文基于人工蜂群优化SVR在短时交通流量预测方面是可行的，并能够取得较好的预测精确度．

3.3 精确性实验

使用基于人工蜂群优化支持向量机的短时交通流量预测模型，即ABC-SVR预测模型和典型的卷积神经网络（Convolutional Neural Network，CNN）和小波神经网络时间序列（Wavelet Neural Network Time Series，WNN-ST）预测模型进行预测对比仿真实验．目的是证明ABC-SVR预测模型在预测短时交通流量上的精确性．

CNN，WNN-TS模型预测结果与真实值之间的对比曲线见图3．ABC-SVR模型与真实值之间的对比曲线见图2b．

CNN，WNN-TS，ABC-SVR与真实值之间的横向对比实验，从各个优化模型预测结果的评价指标平均相对误差MRE（见表2）可以看出，ABC-SVR的MRE较低．

通过对比分析，可以看出本文基于人工蜂群优化SVR的短时交通流量预测方法的预测能力强、预测结果精确．

图3 CNN和WNN-TS模型预测结果

表2 CNN，WNN-TS，ABC-SVR模型预测结果的MRE对比

4 结论

由于SVR算法能够解决非线性、小样本和高维的问题，符合短时交通流预测这一研究领域特点．所以，本文采用SVR算法建立短时交通流预测模型．并针对基于支持向量回归预测模型中参数选择问题，运用群智能优化算法中的人工蜂群算法对参数进行最优选择，建立基于人工蜂群算法优化的SVR短时交通流预测模型．并对建立的模型进行仿真实验及结果分析，表明了提出的模型具有可行性和预测的精确性．

[1] YANG Zhaosheng，WANG Yuan，GUAN Qing．Short-term traffic flow prediction method based on SVM[J]．Journal of Jilin University：Engineering and Technology Edition，2006，10（6）：881-884

[2] CHANG Gang，ZHANG Yi，YAO Danya．Short-term traffic flow forecasting model for regional road network based onspatial-temporal dependency[J]．Journal of Tsinghua University，2013，52（2）：215-221

[3] WILLIAMS B M，OEL L A．Modelling and forecasting vehicular traffic flow as a seasonal ARIMA process：Theoretical basisand empirical results[J]．Journal of Transportation Engineering，2003，129（6）：664-672

[4] OKUTANI I，TEPHANEDES Y J．Dynamic prediction of traffic volume through Kalman filtering theory[J]．TransportationRes-earch Part B：Methodological，1984，18（1）：1-11

[5] 王青松，谢兴生，佘颢．基于CNN-XGBoost混合模型的短时交通流预测[J]．测控技术，2019，38（4）：42-45，72

[6] 黄振盛，汪玉美，韩江洪，等．基于MLS-SVM和时空特性的短时交通流量预测方法[J]．合肥工业大学学报：自然科学版，2020，43（1）：57-63

[7] HUANG M L．Intersection traffic flow forecasting based on v-GSVR with a new hybrid evolutionary algorithm[J]．Neurocomputing，2015，147：343-349

[8] ABDULHAI B，PORWAL H，RECKERW．Short-term traffic flow prediction using neuro-genetic algorithms[J]．Intelligent Transportation Systems Journal，2002，7（1）：3-41

[9] QIN Ming，YANG Gaofei，DENG Mingjun，et al．Short-term traffic flow forecasting based on exponential smoothing and Kalmanfilter[J]．Journal of Beihua University：Natural Science，2015，16（6）：814-817

An optimized algorithm of short-term traffic flow prediction

LI Cheng，ZHANG Honglie，GE Haimiao，YANG Xinyu

（Schoolof Computer and Control Engineering，Qiqihar University，Qiqihar 161006，China）

The prediction of short-term traffic flow is the theoretical basis of intelligent transportation as well as the key technology in traffic flow induction system．The research on short-term traffic flow prediction has showed the considerable social value．At present，support vector regression（SVR）intelligent prediction model has been applied in this domain．Aiming at parameter selection difficulty and prediction accuracy improvement，the artificial bee colony algorithm（ABC）is adopted to optimize the SVR parameters．Accordingly，the short-term traffic flow prediction algorithm by support vector regression based on artificial bee colony optimization（ABC-SVR）is presented．The simulation experiments are carried out by comparing the ABC-SVR model with the other typical models，and the experimental results prove the feasibility and accuracy of the proposed ABC-SVR algorithm．

prediction algorithm；artificial bee colony algorithm；support vector regression；short-time traffic flow

TP183

A

10.3969/j.issn.1007-9831.2020.11.008

1007-9831（2020）11-0031-05

2020-07-02

黑龙江省省属高等学校基本科研业务费科研项目（135309463）

李诚（1978-），男，黑龙江齐齐哈尔人，副教授，硕士，从事嵌入式系统、人工智能等研究．E-mail：lcrb406@163.com