CN108376470A - 基于粒子群算法的交通道路拥堵预测方法 - Google Patents

Abstract

本发明公开了一种基于粒子群算法的交通道路拥堵预测方法，包括步骤：S1.利用终端侧的传感器系和道路交叉口处的交通监控***采集交通数据，上传至云服务器；S2.云服务器接收交通数据，基于改进的粒子群算法进行处理，得到预测数据；S3.云服务器将预测数据传输至终端侧的设备；S4.终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中；S5.云服务器实时获取终端和交通监控***采集的交通数据，将交通数据作为新的输入变量，基于改进的粒子群算法持续学习，不断优化预测数据。本发明显著提升了预测精度，能够有效调节交通流量，减小交通负荷，减少交通延误和停车率，提高路网的通行能力，改善了城市交通状况。

Description

基于粒子群算法的交通道路拥堵预测方法

技术领域

本发明涉及交通技术领域，更为具体地，涉及一种基于粒子群算法的交通道路拥堵预测方法。

背景技术

随着汽车工业的发展，在汽车为人们带来各种便利的同时，也制造了一系列问题，如交通拥堵、环境污染、交通事故等。我国的交通国情在于机动车与非机动车混行，自行车数量大，机动车数量多，而路网容纳能力有限等，实施交通强国战略，需要解决的一个问题就是交通拥堵。而在道路交通控制领域，对交通进行监测、数据采集和处理等的信息***存在诸多无法解决的问题，特别是在道路交叉***通控制***上，存在周期长、车辆延误和通行能力有限等问题。

常规的交通控制方式将历史交通流数据作为调控的依据，通过分析在不同时间的交通流的变化规律，使用人工的方式进行配时，然后将配时方案通过计算机技术录入到交通控制器中，在应用中通过调用不同的配时方案进行交通调控，由于大量的车辆涌入城市交通道路，造成了严重的交通堵塞问题，配时方案调控交通流越来越难以适应交通拥堵的治理需求。

例如，公开号为CN106991815A的中国专利申请公开了一种交通拥堵控制方法，包括如下步骤：S1.获取目标道路的既定参数，包括道路通行能力Q、自由流速度vf以及阻塞密度kj；S2.获取目标道路的实时交通参数，包括实时交通量q、实时车速v以及实时交通密度k；S3.构建交通状态判别模型，根据该模型判断当前道路的交通速度和交通流量对交通流的影响程度，并根据影响程度对交通作出控制措施，能够结合道路的交通流的实际状态以及交通流中交通量和交通速度进行分析，做出准确的交通控制措施，能够有效缓解目标道路的交通拥堵状况，而且能够有效避免道路资源的浪费。但是，仍然存在缺陷，例如算法设计复杂，不能实现自学习，实时性较差等问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于粒子群算法的交通道路拥堵预测方法，能够缓解交通拥堵的问题，进一步提升了预测精度，利用对技术的改进使人们的生活变得更加美好。

本发明的目的是通过以下技术方案来实现的：一种基于粒子群算法的交通道路拥堵预测方法，包括如下步骤：

S1，利用终端侧的传感器***，采集第一交通数据，上传至云服务器，同时，利用道路交叉口处的交通监控***采集第二交通数据，上传至云服务器；

S2，云服务器接收所述第一交通数据和所述第二交通数据，并基于改进的粒子群算法进行处理，得到第一预测数据；

S3，云服务器将所述第一预测数据传输至终端侧的设备；

S4，所述终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中，然后终端侧的设备检测本地存储装置中是否储存有历史路况数据，并对历史路况数据提取特征数据；

S5，云服务器实时获取终端侧的传感器***采集的交通数据，实时获取道路交叉口处的交通监控***采集的第二交通数据，将第一交通数据和第二交通数据作为新的输入变量，基于所述改进的粒子群算法持续学习，不断优化所述第一预测数据。

进一步地，在步骤S2中，包括以下步骤：

S21，将步骤S1中采集的数据作为样本数据，进行初始化操作，所述初始化包括种群的规模、迭代的次数、权值和阈值；

S22，构建神经网络结构，并随机生成一个种群w_i，用种群w_i代表神经网络的初始值，

w_i＝(w_i1,w_i2...,w_is)^T

其中，

s＝pn+pm+p+m

n为神经网络的输入神经元数目，p为神经网络的隐含层神经元数目，m为神经网络的输出神经元数目；

S23，制定评价参数，创建一个神经网络进化参数，将新得到的粒子对神经网络的权值和阈值进行重新计算，直到达到收敛的条件，将适应度值f_it_i定义为，

其中，y^i′为实际输出，yⁱ为期望输出，n代表种群规模；

S24，根据样本数据计算每个粒子的位置，将粒子最好的位置作为历史最佳位置；

S25，在每一次迭代过程都要重新确定粒子的位置和速度，都要计算粒子新的适应度值，然后确定个体极值；

S26，在达到设定的收敛条件时，将权值和阈值的最优解带入神经网络中进行训练，直到得到最优输出的预测数据。

进一步地，在步骤S4中，包括如下步骤：

S41，在终端侧的设备上，检测本地存储装置中是否保存有当前道路的历史路况数据，如果有，则提取当前道路的历史路况数据，并根据时间特征进行标记；如果没有，则直接进入步骤S44；

S42，第一计算，计算在当前道路上的历史路况数据的车速均值；第二计算，计算在当前道路上的历史路况数据的行驶时间均值，并将计算数据保存在本地存储装置中；

S43，根据步骤S41中的标记信息，提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值；

S44，将存储在本地存储装置中的第一预测数据，呈现在终端侧的设备的显示装置上，基于云端粒子群算法的分析数据和/或终端侧的历史路况数据结果，对道路交通拥堵情况进行预测。

进一步地，第一交通数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。

进一步地，第二交通数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。

进一步地，终端侧的设备包括车辆、设置在车辆上的装置。

进一步地，车辆包括电动汽车。

进一步地，车辆包括无人驾驶车辆。

本发明的有益效果是：

(1)本发明采用改进的粒子群算法进行学习并输出最优预测数据到终端侧的设备，相比常规的神经网络算法，进一步提升了预测精度。

(2)本发明基于人工智能技术缓解交通拥堵问题，具有自学习功能，提高了交通信息***在路网中感受交通流的变化的效率，能够有效调节交通流量，减小了交通负荷，减少了交通延误和停车率，提高路网的通行能力，改善了整个城市交通状况。

(3)本发明在对终端侧的设备存储的历史路况数据进行处理时，通过标记动作的处理步骤，使得在调用数据时，程序运行性能得到了提升，进而提高了数据处理效率，增强了设备的运行性能。

(4)本发明结合了终端侧的设备采集的实时交通数据和道路交通监控***采集的交通数据作为云端侧的神经网络算法的输入变量，将人工智能算法模块部署在云端服务器，在云端服务器进行学习处理后将预测数据下发到终端侧设备，可以集中处理大量分布式设备或***上传的数据，降低在终端侧的设备或***上进行分析处理的成本，提高了对交通道路拥堵的预测效率，有效调控城市通勤者的交通出行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的方法步骤流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。本说明书中公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。

如图1所示，一种基于粒子群算法的交通道路拥堵预测方法，包括如下步骤：

S1，利用终端侧的传感器***，采集第一交通数据，上传至云服务器，同时，利用道路交叉口处的交通监控***采集第二交通数据，上传至云服务器；

S2，云服务器接收所述第一交通数据和所述第二交通数据，并基于改进的粒子群算法进行处理，得到第一预测数据；

S3，云服务器将所述第一预测数据传输至终端侧的设备；

S4，所述终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中，然后终端侧的设备检测本地存储装置中是否储存有历史路况数据，并对历史路况数据提取特征数据；

S5，云服务器实时获取终端侧的传感器***采集的交通数据，实时获取道路交叉口处的交通监控***采集的第二交通数据，将第一交通数据和第二交通数据作为新的输入变量，基于所述改进的粒子群算法持续学习，不断优化所述第一预测数据。

可选地，在步骤S2中，包括以下步骤：

S21，将步骤S1中采集的数据作为样本数据，进行初始化操作，所述初始化包括种群的规模、迭代的次数、权值和阈值；

S22，构建神经网络结构，并随机生成一个种群w_i，用种群w_i代表神经网络的初始值，

w_i＝(w_i1,w_i2...,w_is)^T

其中，

s＝pn+pm+p+m

n为神经网络的输入神经元数目，p为神经网络的隐含层神经元数目，m为神经网络的输出神经元数目；

S23，制定评价参数，创建一个神经网络进化参数，将新得到的粒子对神经网络的权值和阈值进行重新计算，直到达到收敛的条件，将适应度值f_it_i定义为，

其中，y^i′为实际输出，yⁱ为期望输出，n代表种群规模；

S24，根据样本数据计算每个粒子的位置，将粒子最好的位置作为历史最佳位置；

S25，在每一次迭代过程都要重新确定粒子的位置和速度，都要计算粒子新的适应度值，然后确定个体极值；

S26，在达到设定的收敛条件时，将权值和阈值的最优解带入神经网络中进行训练，直到得到最优输出的预测数据。

可选地，在步骤S4中，包括如下步骤：

S41，在终端侧的设备上，检测本地存储装置中是否保存有当前道路的历史路况数据，如果有，则提取当前道路的历史路况数据，并根据时间特征进行标记；如果没有，则直接进入步骤S44；

S42，第一计算，计算在当前道路上的历史路况数据的车速均值；第二计算，计算在当前道路上的历史路况数据的行驶时间均值，并将计算数据保存在本地存储装置中；

S43，根据步骤S41中的标记信息，提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值；

S44，将存储在本地存储装置中的第一预测数据，呈现在终端侧的设备的显示装置上，基于云端粒子群算法的分析数据和/或终端侧的历史路况数据结果，对道路交通拥堵情况进行预测。

可选地，第一交通数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。

可选地，第二交通数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。

可选地，终端侧的设备包括车辆、设置在车辆上的装置。

可选地，车辆包括电动汽车。

可选地，车辆包括无人驾驶车辆。

一般的粒子群算法包括步骤：

步骤1：初始化参数条件，设定粒子的数目、每个粒子初始的位置；

步骤2：计算每一个粒子的适应度函数；

步骤3：对于每一个粒子，计算得到的适应度函数值与之前的较优位置进行比较，如果新的适应度函数较好，则利用它代替原来的较优位置；

步骤4：确定终止条件，设定算法停止时的阈值，如果符合终止条件，则算法结束，否则继续迭代计算位置和速度，直到符合终止条件要求。

本领域技术人员对神经网络结构、学习速率和粒子群算法规模等均可自行设置，例如可采用三层神经网络结构，学习速率可设为0.02，粒子群算法种群规模可取50，迭代的进化代数取150次等，利用建立好的粒子群算法，应用于交通数据车流量预测，可实现对交通道路拥堵的预测，在本实施例中的其余技术特征，本领域技术人员均可以根据实际情况进行灵活选用和以满足不同的具体实际需求。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的算法，方法或***等，均在本发明的权利要求书请求保护的技术方案限定技术保护范围之内。

对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法实现所描述的功能，但是这种实现不应超出本发明的范围。

所揭露的***、模块和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例，仅仅是示意性的，例如，所述单元的划分，可以仅仅是一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以说通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述分立部件说明的单元可以是或者也可以不收物理上分开的，作为单元显示的部件可以是或者可以不收物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例的方案的目的。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM、RAM等。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种基于粒子群算法的交通道路拥堵预测方法，其特征在于，包括如下步骤：

S1，利用终端侧的传感器***，采集第一交通数据，上传至云服务器，同时，利用道路交叉口处的交通监控***采集第二交通数据，上传至云服务器；

S2，云服务器接收所述第一交通数据和所述第二交通数据，并基于改进的粒子群算法进行处理，得到第一预测数据；

S3，云服务器将所述第一预测数据传输至终端侧的设备；

S4，所述终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中，然后终端侧的设备检测本地存储装置中是否储存有历史路况数据，并对历史路况数据提取特征数据；

S5，云服务器实时获取终端侧的传感器***采集的交通数据，实时获取道路交叉口处的交通监控***采集的第二交通数据，将第一交通数据和第二交通数据作为新的输入变量，基于所述改进的粒子群算法持续学习，不断优化所述第一预测数据。

2.根据权利要求1所述的一种基于粒子群算法的交通道路拥堵预测方法，其特征在于，在步骤S2中，包括以下步骤：

S21，将步骤S1中采集的数据作为样本数据，进行初始化操作，所述初始化包括种群的规模、迭代的次数、权值和阈值；

S22，构建神经网络结构，并随机生成一个种群w_i，用种群w_i代表神经网络的初始值，

w_i＝(w_i1,w_i2...,w_is)^T

其中，

s＝pn+pm+p+m

n为神经网络的输入神经元数目，p为神经网络的隐含层神经元数目，m为神经网络的输出神经元数目；

S23，制定评价参数，创建一个神经网络进化参数，将新得到的粒子对神经网络的权值和阈值进行重新计算，直到达到收敛的条件，将适应度值f_it_i定义为，

其中，y^i′为实际输出，yⁱ为期望输出，n代表种群规模；

S24，根据样本数据计算每个粒子的位置，将粒子最好的位置作为历史最佳位置；

S25，在每一次迭代过程都要重新确定粒子的位置和速度，都要计算粒子新的适应度值，然后确定个体极值；

S26，在达到设定的收敛条件时，将权值和阈值的最优解带入神经网络中进行训练，直到得到最优输出的预测数据。

3.根据权利要求1所述的一种基于粒子群算法的交通道路拥堵预测方法，其特征在于，在步骤S4中，包括如下步骤：

S41，在终端侧的设备上，检测本地存储装置中是否保存有当前道路的历史路况数据，如果有，则提取当前道路的历史路况数据，并根据时间特征进行标记；如果没有，则直接进入步骤S44；

S42，第一计算，计算在当前道路上的历史路况数据的车速均值；第二计算，计算在当前道路上的历史路况数据的行驶时间均值，并将计算数据保存在本地存储装置中；

S43，根据步骤S41中的标记信息，提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值；

S44，将存储在本地存储装置中的第一预测数据，呈现在终端侧的设备的显示装置上，基于云端粒子群算法的分析数据和/或终端侧的历史路况数据结果，对道路交通拥堵情况进行预测。

4.根据权利要求1-3任一项所述的一种基于粒子群算法的交通道路拥堵预测方法，其特征在于，第一交通数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。

5.根据权利要求4所述的一种基于粒子群算法的交通道路拥堵预测方法，其特征在于，第二交通数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。

6.根据权利要求1-3任一项所述的一种基于粒子群算法的交通道路拥堵预测方法，其特征在于，终端侧的设备包括车辆、设置在车辆上的装置。

7.根据权利要求1-3任一项所述的一种基于粒子群算法的交通道路拥堵预测方法，其特征在于，车辆包括电动汽车。

8.根据权利要求1-3任一项所述的一种基于粒子群算法的交通道路拥堵预测方法，其特征在于，车辆包括无人驾驶车辆。