没有合适的资源?快使用搜索试试~ 我知道了~
基于改进的路网聚类结合PSOWNN的交通流预测.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 16 浏览量
2022-12-15
14:16:27
上传
评论
收藏 1.47MB DOCX 举报
温馨提示
试读
15页
基于改进的路网聚类结合PSOWNN的交通流预测.docx
资源推荐
资源详情
资源评论
1. 引言
近年来,城市智能交通系统成为一个热点研究课题,而城市道路交通流预测对于城市
交通系统能否提供准确高效的出行服务具有重要意义.各专家学者针对这一研究方向提出了
众多预测模型.其中基于统计理论的模型有卡尔曼滤波、ARIMA 模型以及非参数回归模型
等
[1-3]
,基于智能算法的预测模型有神经网络、支持向量机、模糊理论等
[4-6]
.而单一的预测模
型已不能满足特定复杂交通环境中越来越高的精度要求,所以为了进一步考虑复杂交通环
境中的交通流量影响因子,于是将交通网络中复杂周边交通环境及交通流量数据本身特性
与智能算法相结合进行城市交通流预测成为一个重要研究领域.如芮兰兰等人
[7]
通过对交通
流时间序列数据的聚类和分割,再使用泛化能力强的极限学习机进行仿真,以保证数据之
间更高的相似性,但数据来源单一其未考虑到交通流量预测中数据的空间特性.陆文琦等人
[8]
将路网时空特性进行充分考虑后,再采用 ARIMA 模型和 PSO 优化的 BP 神经网络模型
分别对交通流进行短时速度预测,得到最终的组合预测模型,但未考虑交通流数据间的相
关性,忽视了数据冗余现象,进而影响模型整体的预测精度.邴其春等人
[9]
提出通过灰色关
联度分析确定交通流预测影响因子, 然后采用粒子群优化算法构建非参数投影寻踪回归模
型,但未进一步考虑到交通流数据非平稳特性,导致其在非平稳数据段未能达到更好的预
测效果.
本文针对以上研究的不足在构建预测模型时,利用基于交通流量数据相关性分析的路
网聚类算法搜集预测点周边符合一定交通空间特性且与预测点交通流量数据相关系数较高
的观测点,剔除了相关系数低的冗余数据,精简样本数据的数量.再构建一种交通流量分段
加权新型适应度函数给整体样本数据中非平稳数据段给予更大的调节力度,以此进一步来
提高非平稳数据段的预测精度.
2. 基于交通流量数据相关性分析改进的路网聚类算法
在路网主要交通道路中随机设置交通流量数据观测点,本文聚类算法的改进在于将各
观测点的交通流数据与预测点的交通流数据间的相关系数作为路网聚类依据之一.首先通过
设置凝聚度 α、扩展度 β 作为聚类条件,使路网的研究限制在预设路网实际距离范围内,
舍去范围之外的点,从而保证了路网空间实际距离的关联性,同时再在此基础上,考虑路
网聚类中的交通流量数据间的相关性,精简了样本输入数据.
本文取[α, β]范围内与预测点交通流量数据相关系数大于 0.7 的所有观测点,完成聚类
C(见 4.2 节).为简化交通网络复杂性,将路网中的路口看作一个节点,而节点与节点间的路
段作为一段弧.因此一个路网可以由一个无向带权图 G=(V, E, W)来表示,其中 V 为各路口
节点集合,E 表示各路段弧的集合,W 为各段弧权值的集合.
路网中观测点分布在各条路段上,例如 p
i
=(u
i
, u
j
, dis)表示观测点 p
i
,其中 u
i
与 u
j
表示
为观测点所在路段最近的两个路口节点,dis 为 p
i
与 u
i
的距离(单位为米).此处 i,j 用以表示
区分 G 中不同点的下标.
2.1 路网聚类中各点实际路网距离及参数的定义与界定
2.1.1 路网聚类中各点实际路网距离的定义
(1) 同一路段弧上两个观测点间的实际路网距离 d
D
;
dD(p,q)=|disp−disq|dD(p,q)=|disp−disq|
(1)
例如点 T
1
=(A, B, 56)见图 1 所示.
图 1 路网中点与路网的关系示意图
下载: 全尺寸图片 幻灯片
(2) 路口节点之间的实际路网距离.d
D
(u
i
, u
j
)为路口节点 u
i
与 u
j
间的最短实际路网距
离,由 Dijkstra 算法
[10]
算得.如图 1 所示节点 D 与节点 A(d
D
(D, A)=45).
(3) 不同路段弧上观测点间实际路网距离.
dD(p,q)=dD(p,ui)+dD(ui,uj)+dD(uj,q)dD(p,q)=dD(p,ui)+dD(ui,uj)+dD(uj,q)
(2)
如 T
1
=(A, B, 56)与 T
2
=(D, C, 60),如图 1 所示,其距离 d
D
(T
1
, T
2
)为 T
2
D 段、DA 段和
AT
1
段距离之和(d
D
(T
1
, T
2
)=d
D
(T
2
, D)+d
D
(D, A)+d
D
(A, T
1
)).
2.1.2 基于交通流数据相关性路网聚类中参数取值的界定
设 p
i
为预测点,则凝聚度与扩展度取值的界定如下:
凝聚度 α 值为与预测点实际路网距离最近的路口节点间的实际路网距离, 见式(3):
α=min{dD(pi,uj)},uj∈Gα=min{dD(pi,uj)},uj∈G
(3)
扩展度 β 值的选取规则为与预测点最相邻的连续两个路口的实际路网距离之和,如式
(4):
β=min{dD(pi,uj)}+min{dD(uj,uk)},uj,uk∈Gβ=min{dD(pi,uj)}+min{dD(uj,uk)},uj,uk∈G
(4)
式中,min{d
D
(u
j
, u
k
)}表示 G 中与 u
j
最近的路口节点的实际路网距离,本文研究路网
中具体取值见 4.1 节.此处 i, j, k 表示 G 中不同节点下标.
2.2 基于交通流量数据相关性改进的路网聚类算法步骤
通过以上对无向带权图 G 的构建及交通路网中各点与参数的定义与界定,以下为改进
的路网聚类算法的具体步骤.
步骤 1:选取路网中待研究的预测点,设预测点 p
i
=(u
a
, u
b
, dis
i
),创建集合 Q,将预测
点加入 Q,由公式(3)和(4)根据 G 中路网各路口实际路网距离设定凝聚度 α、扩展度 β;
步骤 2:由预测点 p
i
出发,分别向 u
a
, u
b
方向各自进行搜索至节点 u
a
, u
b
;设 p
k
为预测
点 p
i
在节点 u
b
方向上的邻接观测点;
(1) 若 p
k
存在,判断是否有 α≤d
D
(p
k
, p
i
)≤β,若符合,则将点 p
k
加入 Q,继续向 u
b
方向
扩展遍历至节点 u
b
;
(2) 若 p
k
不存在,则进行步骤 3;
步骤 3:遍历节点 u
b
的所有邻接节点,设 u
b
有邻接节点 j 个(u
c
1
, u
c
2
, …, u
c
j
),其中 j 为
大于或等于 1 的正整数.设 p
k
为路段(u
b
, u
c
j
)上邻接 u
b
的观测点,设当前 j=1;
(1) 若存在 p
k
,判断条件 α≤d
D
(p
k
, p
i
)≤β,若满足则加入 Q 中,继续向 u
c
1
方向扩展至点
u
c
1
,直到遍历所有观测点;
(2) 若不存在 p
k
,则直接进行步骤 4;
步骤 4:进行 j=j+1 操作,同理继续判断路段(u
b
, u
c
j
)上邻接 u
b
的观测点,直到节点
u
c
j
;判断 j 是否达到最大值,若是,则执行步骤 5,否则继续执行步骤 4;
步骤 5:分别发散所有(u
c
1
, u
c
2
, …, u
c
j
)节点的邻接节点,以此类推,直到聚集所有满足
条件 α≤d
D
(p
k
, p
i
)≤β 的点;预测点 p
i
在 u
a
方向上的发散同理;
步骤 6:将以上步骤中挑选出来的 Q 中所有观测点的历史交通流量数据与预测点的历
史交通流量数据作相关性分析;选择与预测点交通流量数据相关系数大于 0.7 的所有观测
点,将其划分为一类路网聚类空间中,完成聚类 C,具体聚类结果见 4.2 节.
剩余14页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3648
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功