基于改进粒子群算法的交通流量预测研究

梁计锋

（西安翻译学院 陕西 西安 710105）

基于改进粒子群算法的交通流量预测研究

梁计锋

（西安翻译学院 陕西 西安 710105）

为了提高交通流量控制和优化的精度，将混沌理论引入PSO对LS-SVM的核参数和惩罚系数进行优化选择，提出一种ECLS-SVM交通流量预测模型。通过基于ECLS-SVM算法的单步、3步、5步和7步预测结果和不同模型的预测时间和预测均方误差的对比结果可知，ECLS-SVM算法可以有效提高交通流量预测的精度和效率，对指导交通网络资源的合理分配和规划具有重要的理论意义和实际价值。

粒子群算法；遗传算法；交通流量控制；交叉操作；变异操作

随着城市化规模和交通网络的日益增大，导致交通网络管理工作的繁重程度急剧上升，交通事故频发。为了保证交通资源的合理分配，高质量的交通流量预测对交通网络的规划、管理和设计具有重要的理论意义和实际价值。

针对交通流量数据的非平稳和非线性的特点，文中结合EMD和CPSO算法对LS-SVM核参数和惩罚系数进行自适应优化，提出一种基于ECLSSVM算法的交通流量预测模型。通过EMD提取交通流量的细节特征和趋势特征，构建出基于ECLSSVM的交通流量预测模型的输入和输出，实现交通流量的预测，为网络资源的合理配置和可靠传输提供决策的依据。

1 混沌粒子群算法

1.1 粒子群优化算法

粒子群算法最初由kennedy等人提出，用来模拟鸟群群体飞行觅食的行为，通过鸟群群体之间的协同互助和竞争实现觅食路径的最优化。觅食过程中，粒子将追踪粒子群中的两个极值，分别为粒子本身到当前状态下所找到的最优解pbest和全种群到当前状态下所找到的最优解gbest。

粒子的速度和位置可通过公式（1）和公式（2）进行更新：

公式（1）和公式（2）中，xi，vi分别表示粒子的当前位置和速度（i=1，2，…，m；d=1，2，…，n）；rand1和rand2为[0，1]之间的随机数；c1和c2为学习因子（c1，c2＞0）。

1.2 混沌粒子群算法（CPSO）

针对传统PSO算法存在早熟的问题，将混沌理论引入粒子群算法实现其改进，其算法具体流程如下：

1）混沌初始化。假设优化变量为D维。随机生成D维向量z1=[z11，z12，…，z1D]，每个分量均处于[0，1]，依据Logistic方程获得M个分量，z1，z2，…，zM：

运用公式（3）实现混沌区间和变量范围的映射：

公式（4）中，bj，aj分别表示所需优化变量的上界和下界。

2）依据适应度函数评估每个粒子的适应度函数值，从M个初始粒子群中选择N个作为初始解，粒子的速度随机生成。

3）设定初始个体极值和全局极值。设定各粒子的当前位置为个体极值Pi，依据适应度函数评估各个体极值Pi的适应度函数值，选择最优值的粒子所在位置定义为全局极值Pg。

4）依照公式（1）和公式（2）更新粒子的位置和速度。

5）混沌优化最优位置Pg。先将最优位置映射成为Logistic方程的取值范围为[0，1]，再根据Logistic方程生成m个混沌变量序列，最后将生成的混沌变量序列映射到优化变量，获得m个粒子，评估计算每个粒子的适应度函数值大小，获取最优解p′。

6）运用最优解p′替换当前粒子搜索群体中任意粒子的位置。

7）转到步骤4），若满足粒子群算法的终止条件，则输出最优值；反之，算法继续。

1.3 经验模态分解（EMD）

经验模态分解吸取了小波变换多分辨的优点，同时克服了小波变换中小波基选择和分解尺度很难确定的缺点，因此EMD非常适合分析交通流量序列，因为交通流量序列是非线性非平稳序列。

交通流量数据序列x（t）可被分解成为：

2 ECLS-SVM交通流量预测模型

2.1 LS-SVM支持向量机

Suykens提出的LS-SVM可转化为：

由公式（7）可知，LS-SVM的性能主要受γ，σ影响，为了实现γ，σ的自适应选择，文中运用CPSO算法进行γ，σ自适应优化。

2.2 ECLS-SVM网络预测模型

由于LS-SVM需要优化的参数为γ，σ，因此其优化的数学模型如下：

通过优化，在确保预测精度最优的情况下，实现γ，σ参数的自适应选择，其适应度函数可进行定义。假设t时刻的实际交通流量为y（t），预测交通流量（t），那么实际交通流量y（t）和预测交通流量（t）的差值e（t）可以运用如下公式表示：

针对交通流量预测的非线性问题，实际交通流量数据样本为，运用CPSO优化LS-SVM的核参数和惩罚系数，使得LS-SVM的实际交通流量输出和预测交通流量之间的差值的平方和最小，适应度函数可以用如下公式表示：

公式（4～8）中，ξk≥0，k=1，2，…，N，C为惩罚因子。

LS-SVM网络预测模型为：

3 仿真实验

3.1 数据来源

文中数据来源于某交通监控站监测数据，收集自2014年11月7日—2014年11月21日一共15天的数据为研究对象，每天每间隔1小时采集一次车流量数据，一共采集15*24=360组数据。

3.2 数据处理

实际交通流量数据序列进行EMD分解，依次可以分解出不同的IMF分量。原始交通流量数据被分解成4个波动较小的分量和1个剩余分量。根据IMF分量的分析结果，运用CPSO优化LSSVM的核参数和惩罚系数的模型进行交通流量预测。

3.3 评价指标

为了验证本文算法进行交通流量预测的有效性，文中采用均方误差用来评价交通流量预测效果的评价指标，评价公式如下所示：

均方误差：

其中，xi，分别表示实际交通流量和预测交通流量。

3.4 实验结果

将收集的360组交通流量数据分成训练样本和测试样本，将前336组数据作为训练数据，用于建立预测模型；后面24组作为测试数据，用于验证预测结果的好坏。设定CPSO算法的最大迭代次数为100，种群大小为 20，popmin=-5.12，popmax=5.12，vmax=1，vmin=-1，由ECLS-SVM算法的单步预测、3步预测、5步预测和7步预测结果可知，随着预测步长的增加，ECLS-SVM算法的预测精度不断提高，效果较好。图1表示CPSO算法优化LSSVM的适应度收敛曲线。

图1 CPSO优化LSSVM的适应度收敛曲线图

为了对比ECLS-SVM算法的优越性，将ECLSSVM算法、CPSO-LSSVM和LSSVM三者的预测结果进行对比，运行10次，其对比结果如表1所示。

由表1ECLS-SVM算法、CPSO-LSSVM和LSSVM3者预测的MSE误差对比结果可知，ECLS-SVM算法的预测效果最好，优于CPSO-LSSVM和LSSVM模型，其次CPSO-LSSVM的预测效果优于LSSVM。

由表 2 ECLS-SVM算法、CPSO-LSSVM和LSSVM 3种模型预测时间对比结果可知，ECLSSVM算法的预测时间最短快于CPSO-LSSVM和LSSVM模型，而CPSO-LSSVM的预测时间短于LSSVM。

表1 ECLS-SVM算法、CPSO-LSSVM和LSSVM3种模型预测MSE误差对比

表2 ECLS-SVM算法、CPSO-LSSVM和LSSVM3种模型预测时间对比/s

4 结 论

文中针对标准PSO算法存在局部最优和约束条件的问题，运用GA算法对标准PSO算法进行改进，使用改进的粒子群算法对交通控制算法进行优化并与未改进的PSO算法进行对比，发现改进的粒子群算法收敛速度和搜索能力均优于未改进的PSO算法。，之后将改进的粒子群算法GA-PSO应用于交通流量的预测上。不仅可以增加PSO算法的全局搜索能力，而且可以避免PSO算法陷入局部最优解。在解决交通流量控制问题上，改进的PSO算法同标准PSO算法相比，完全避免了收敛速度慢、统计不完善、局部最优等问题，能够很好地实现交通流量最优化控制。但是，针对交通流量时间序列预测，本文运用CPSO算法优化LS-SVM进行预测，虽有可以实现交通流量的预测，然而只能进行交通流量的短期预测，无法实现长期预测，后续研究需要结合更为复杂的数学模型，实现短期预测和长期预测的统一。

[1] Karen Egiazarian， Alessandro Foi， Vladimir Katkovnik. Compressed sensing imagereconstruction via recursive spatially adaptive filtering [C]//IEEE Conf.on Image Processing（ICIP），San Antonio，2007.

[2]雷霆，余镇危.一种交通流量预测的小波神经网络模型[J].计算机应用，2012，26（3）:526-528.

[3]Wen Guo，YI zhengQiao，HAI yanHou.BP neural network optimized with PSO algorithm and its application in forecasting[C]//Proceedings of the IEEE internationalConference on Information Acquisition，2011:617-621.

[4]刘渊，戴悦，曹建华.基于小波神经网络的流量混沌时间序列预测 [J].计算机工程，2012，34（16）: 105-110.

[5]Michael Wakin，Jason Laska，Marco Duarte，Dror Baron，Shriram Sarvotham，Dharmpal Takhar，Kevin Kelly，and Richard Baraniuk，Compressive imaging for video representation and coding[C]// Proc.Picture Coding Symposium（PCS），Beijing，2006.

[6]Ray Maleh，Anna Gilbert，and Martin Strauss，Sparse gradient image reconstruction done faster [C]//IEEE Conf.on Image Processing（ICIP），San Antonio，2007.

[7]王西锋，高岭，张晓孪.自相似交通流量预测的分析和研究 [J].计算机技术与发展，2010，17（11）: 42-45.

[8]冯海亮，林青家，陈涤，等.一种基于神经网络的交通流量组合预测模型 [J].计算机应用，2010，26（9）:2206-2208.

[9]Cristiano Cervellera，Aihong Wen，Victoria C P Chen.Neural network and regression spline value function approximations for stochastic dynamic programming[J].Computer&Operations Research，2012，34（1）:70-90.

[10]李宗福，邓琼波，李桓.Kohonen SOFM神经网络及其演化研究[J].计算机工程与设计，2013，25（10）: 1729-1830.

[11]WangH， LiuY.A HybridParticleSwarm Algorithm with Cauchy Mutation [C]//in Proc IEEE Int.Conf.Swarm Intelligence Symposium（SIS），2011：356-360.

[12]Wang H，Liu Y.An improved particle swarm optimization with adaptive jumps [C]//In Proceedings of IEEE International Conference on Evolutionary Computation，2012：392-397.

[13]陈小锋，史忠科.基于遗传算法的交通信号动态优化方法[J].系统仿真学报，2004，16（6）:1155-1l57，1161

[14]Ray Maleh，Anna Gilbert，Martin Strauss.Sparse gradient image reconstruction done faster.IEEE Conf.on Image Processing （ICIP），San Antonio，Texas，September 2007.

[15]杨光，张国梅，刘星宇.基于小波核LS-SVM的交通流量预测[J].微机发展，2011，15（12）:125-128.

[16]任雪婷，贺兴时.一种改进的粒子群与差分进化混合算法[J].西安工程大学学报，2016，30（3）：380-387.

[17]高田田，张莉，李炳德，等.基于改进粒子群算法的足球机器人路径规划[J].西安工程大学学报，2016，30（5）:609-615.

Traffic flow prediction based on improved particle swarm optimization

LIANG Ji-feng
（Xi'an Fanyi University，Xi'an 710105，China）

In order to improve the accuracy of the traffic flow control and optimization，chaos theory，applied to PSO is used to get the kernel parameter and Penalty coefficient of LS-SVM.Then ECLS-SVM is proposed to predict traffic.Comparing the predicted results of the steps based on ECLS-SVM algorithm and the predicted time and mean square error of algorithms of different models，ECLS-SVM algorithm can effectively improve the accuracy and efficiency of traffic flow forecasting.It has important theoretical significance and practical value for rational allocation and planning of traffic network resources.

particle swarm optimization；genetic algorithm；traffic flow control；crossover operation；mutation operation

TN0

：A

：1674－6236（2017）06-0047-04

2016-03-11稿件编号：201603136

梁计锋（1979—），男，陕西乾县人，硕士，讲师。研究方向：电子与信息技术。