[发明专利]一种用于微观仿真的交通流量预测方法

摘要

本发明涉及一种用于微观交通仿真的交通流量预测方法，其特征在于，包括以下步骤：构建路网模型，利用实际数据进行微观仿真模型标定。同时，采集实际流量，基于粒子群优化BP神经网络算法的交通流量预测获得预测流量数据，输出预测流量进行仿真运算、输出该时间段内仿真结果，得到各路段的流量值。仿真流量值作为输入，结合实际采集流量再次通过预测算法进行预测，直至仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求，而后进行预测流量在微观仿真软件中进行评价，以研究预测结果对未来交通产生的影响，使分析更科学、合理。

主权项

一种用于微观交通仿真的交通流量预测方法，其特征在于，包括以下步骤：步骤1、根据研究范围内得实际路网情况，建立交通仿真模型；步骤2、利用历史数据对交通仿真模型中的参数进行调整标定；步骤3、在每一个预测周期内，通过布设在道路上的检测器，采集每个检测器的实际交通流量，将实际交通流量作为输入值；步骤4、将输入值输入预测算法，从而得到每个检测器的预测流量，所述预测算法包括以下步骤：步骤4.1、确定BP神经网络算法的拓扑结构，初始化网络权值和阈值，单独运算BP神经网络算法得到误差值；同时，初始化粒子群优化算法粒子和速度，对其赋予随机值；步骤4.2、将上一步得到的误差值的倒数作为适应度值输入粒子群优化算法；步骤4.3、根据输入的适应度值确定每个粒子个体的极值和群体的极值，初次的个体极值和群体极值在步骤4.1中所赋予的随机值中寻找；步骤4.4、根据粒子群算法的更新公式对粒子的速度和位置进行更新，每次粒子更新之后，以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性，更新后重新训练BP神经网络得到新的适应度值；步骤4.5、判断是否满足预设的迭代次数或精度要求，若满足，则进入步骤4.6，若不满足，则返回步骤4.2；步骤4.6、将粒子群优化算法输出的最优群体极值作为最优的权值和阈值输入BP神经网络算法进行网络训练，网络训练包括以下步骤：步骤4.6.1、计算隐含层输出及输出层输出；步骤4.6.2、计算预测输出和期望输出之间的误差；步骤4.6.3、更新权值和阈值；步骤4.6.4、判断终止条件是否满足，如果不满足，则返回步骤4.6.1，若满足，则输出每个检测器的预测流量；步骤5、交通仿真模型根据预测算法输出的每个检测器的预测流量进行仿真运算，输出当前时间段内的仿真结果，得到仿真流量值，判断仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求，如果达到要求，结束运算，如果没有达到要求，则将仿真得到的仿真流量值作为输入值，重复步骤4及步骤5。