[发明专利]一种车道饱和度预测模型

说明书

技术领域

本发明涉及智能交通领域，尤其涉及一种车道饱和度预测模型。

背景技术

悉尼协调自适应系统(Sydney Coordinated Adaptive Traffic System,SCATS)在世界有广泛的应用。车道饱和度是指在一个相位周期内在车道探测器处，被车流有效利用的绿灯时间与总的绿灯时间之比。本发明中的建模方法与传统方法相比可以得到更高的预测精度，建模过程中采用的数据为SCATS数据。SCATS系统也是通过调节车道饱和度，来达到调节整个区域交通系统的目的。车道饱和度预测对于交通信号控制也有重要意义。

车道饱和度预测并不是交通领域的研究点，相比较而言，有更多的本领域技术人员将交通流预测作为其研究方向。但是对于不同车道，相同车流量对应的饱和度不同。不同车道的承载能力不同，因此车道饱和度能更好的表征车道拥堵状况。几十年来，在交通流预测方面交通领域众多专家通过一些方法建立了预测模型，建立模型的方法包括平均值法、自回归滑动平均模型、线性回归、非参数回归、神经网络等。相对于上述方法，在交通车流量预测问题中采用支持向量回归建模的方法可以得到更好的预测精度。支持向量回归是建立在统计学习的VC维理论和结构风险最小原理基础上，能够较好地解决小样本、非线性、高维数和局部极小点等实际问题。选择这种方法建立交通流预测模型，可以取得良好的预测效果。通过支持向量回归这种方法建立预测模型，需要确定模型的输入特征，模型输入特征不同建立的模型也不同。模型输入特征空间中的特征数目并不是越多越好，如果将能得到的数据都作为模型输入特征，会将一些冗余信息引入建模过程，可能会影响建模精度，需要将这些影响因素加以考虑。

发明内容

本发明针对上述不足之处，目的在于提供一种车道饱和度预测模型，提高预测模型的精度。本发明所述模型通过采用最大相关最小冗余特征选择算法用于车道饱和度预测模型输入提取，并对模型输入变量数目进行参数寻优，进而确定模型输入。

本发明所述的一种车道饱和度预测模型，采用限幅滤波算法对所述车道饱和度预测模型的输入数据进行预处理；采用最大相关最小冗余特征选择算法中的互信息值对交通数据进行相关性分析；采用所述最大相关最小冗余特征选择算法确定所述车道饱和度预测模型的输入变量；将教学-学习优化算法应用于支持向量回归建模；建立所述车道饱和度预测模型。

进一步地，所述交通数据为悉尼协调自适应系统中采集得到的数据。

进一步地，相邻交通数据差值A采用统计方法确定。

进一步地，采用所述最大相关最小冗余特征选择算法对所述车道饱和度预测模型的所述输入变量的数目进行参数寻优。

进一步地，增加轮盘选择、变异和淘汰步骤进入所述教学-学习优化算法。

进一步地，所述输入数据包括悉尼协调自适应系统中的折合车流量、车道饱和度、信号周期、相位时间以及基于所述输入数据得到的相位差。

本发明所述的车道饱和度预测模型包括以下步骤：

1)采用限幅滤波算法对所述模型输入数据进行预处理；

SCATS数据包括折合车流量、车道饱和度、信号周期时间、相位时间、相位起始时间等。只有车流量、饱和度、折合车流量这些参数会出现零值的状况，即数据丢包。信号周期、相位时间这些数据不会出现这种问题。这里SCATS数据预处理主要是针对折合车流量和饱和度。在早高峰和晚高峰时段，相邻周期内车流量数据不会发生剧变，如出现零值，应该是在一个合理范围内。同样在车流量较小的情况下，也不会出现车流量剧增的状况。以上两种状况，是由于探测器测量原因产生了不可信数据，或者数据网络传输时出现了数据丢包的状况，因此需要采用滤波算法去除无效数据。由于车流量的变化应该在一个合理的范围内，本发明所述模型选择限幅滤波算法。限幅滤波算法的原理为：每次检测到新值时判断：如果本次值与上次值之差不大于A，则本次值有效；如果本次值与上次值之差大于A，则本次值无效，放弃本次值，用上次值代替本次值。相邻交通数据差值A采用统计方法确定。

2)采用最大相关最小冗余特征选择算法(minimum Redundancy Maximum Relevance,mRMR)用于确定车道饱和度预测模型输入

2.1)采用最大相关最小冗余特征选择算法中互信息概念用于交通数据相关性分析；