一种基于交通参数短时预测的拥堵预警方法与流程

本发明涉及交通拥堵预警，具体为一种基于交通参数短时预测的拥堵预警方法。

背景技术：

1、近年来，随着城市化建设逐步加快，交通拥堵成为城市管理中备受关注的焦点。随着交通网络的不断扩展和车辆数量的急剧增加，准确预测和及时响应交通拥堵变得尤为关键。交通拥堵水平的划分是体现路网交通运行状况的重要手段，建立一套交通预测预警系统可以有效缓解道路交通拥堵，规避交通拥堵可能带来的影响，这对于优化城市交通管理、提升出行效率具有重要意义。

2、传统基于统计的预测模型主要包括线性统计回归模型、时间序列预测模型、卡尔曼滤波模型等，线性统计回归模型用于建立多个自变量与一个因变量之间的线性关系，可用于分析多种因素对交通拥堵的影响情况；时间序列预测模型旨在使用过去的时间序列数据来推断未来的趋势或模式，时间序列模型可用于预测不同时间段内交叉口或道路段的车流量，为智能交通信号控制系统提供优化方案，常见的时间序列预测模型包括自回归移动平均模型（arma）、自回归积分移动平均模型（arima）、季节性自回归积分移动平均模型（sarima）等，卡尔曼滤波是一种递归的状态估计算法，通过不断地更新对系统状态的估计，利用观测数据和系统动态模型来提高状态估计的精度，上述这些方法模型复杂度和运算能力要求都不高，但对于交通流特征的不确定性和随机性较强的情况，它们无法满足对预测结果准确性的要求。

3、因此，针对上述问题提出一种基于交通参数短时预测的拥堵预警方法。

技术实现思路

1、本发明的目的在于提供一种基于交通参数短时预测的拥堵预警方法,以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于交通参数短时预测的拥堵预警方法，包括以下步骤：

4、步骤s1、基于tpe-lstm进行交通参数短时预测，包括建立模型结构和数据预处理；其中，模型结构包含1个输入全连接层、两个lstm层以及一个输出全连接层，模型输入特征采用交通参数的时空特性，时间上采用当前时刻到前30分钟的历史交通数据，且数据采样周期为5分钟，共7个时间点，空间上采用目标当前位置以及前后200m、400m处的交通数据，共采集5个位置，假设时刻为当前时刻，则时刻输入特征可以表示为：

5、；

6、式中，代表交通参数，即交通流量或平均速度，代表当前位置之前，代表当前位置之后，右下角数字代表距当前位置距离，模型输出为5分钟后的交通参数；

7、数据预处理具体流程包括以下步骤：

8、步骤s11、数据修复：删除相同时间点上的重复数据，并且使用线性插值法补充缺失时刻的流量或速度数据；

9、步骤s12、划分数据集：将数据集以7：1.5：1.5的比例划分训练集、验证集以及测试集，训练集用于对网络进行训练，验证集用于对网络进行优化，测试集用于衡量模型的性能；

10、步骤s13、归一化处理：数据归一化分别将流量和速度线性映射到0到1的区间内，消除量纲之间数量级的差异对模型的影响，加快模型的收敛速度；

11、步骤s2、超参数优化；采用基于tpe的贝叶斯优化方法对模型进行调参，获取最优的超参数组合；

12、步骤s3、超参数优化完毕后，将训练集和验证集合并，在得到的最优的超参数组合下对模型进行重新训练，最后在测试集中验证模型预测性能；

13、步骤s4、利用熵值法对模糊拥堵等级评价，具体操作为：

14、步骤s41、建立因素集和评价集；

15、步骤s42、隶属度函数确定；隶属度函数确定包括以下步骤：

16、步骤s421、确定隶属度函数的整体结构：模糊概念只集中于局部区域，因此，对于缓行、轻度拥堵、中度拥堵、重度拥堵这四个拥堵等级选用三角形作为隶属度函数整体结构，对于两侧的拥堵等级畅通、堵死则采用半三角形作为隶属度函数结构；

17、步骤s422、确定隶属度：确定拥堵等级所对应相应指标的取值范围，将该取值范围的中点认为是最符合该拥堵等级的数值，即隶属度为1；将两个相邻拥堵等级对应取值范围的中点确定为是完全不符合该等级的数值，即隶属度设为0，两个相邻拥堵等级与当前拥堵等级取值范围的交界点是最模糊的点，这两个点的隶属度设置为0.5；

18、步骤s423、利用插值法拟合隶属度函数：对于中间四个等级，每个等级都可以获取5个离散点，根据这5个离散点即可使用插值法得到三角形结构的隶属度函数；假设隶属度函数满足：

19、；

20、其中，，均为线性函数，且满足，，此时，均被确定，和的取值区间为[0，1]，且，和为隶属度等于0.5的点，具体的设置方法是取拥堵等级取值范围的交界点，因为这个点是最模糊的，所以隶属度为0.5，随后根据即可确定，取值为：

21、；

22、；

23、对于畅通或中断这两个等级则只能获得3个离散点，利用上述插值法形成半三角形结构的隶属度函数，后分别对平均速度、密度以及饱和度设置隶属度函数，得到隶属度函数后获取不同观测值下的判断矩阵；

24、步骤s43、从原始数据中以速度作为标准将所有数据划分为评价集中的六个等级，并对每个等级的数据进行随机抽样，抽样的数量为所有六个等级数据量的最小值，最终根据熵值法计算步骤得到平均速度、密度以及饱和度所对应的权重向量；

25、步骤s44、在得到判断矩阵以及权重向量后，得到综合三个指标后当前预测的交通状态对6种拥堵等级的隶属度矩阵为：

26、；

27、选择隶属度最大的拥堵等级作为最终的拥堵预测，当拥堵预测的等级超过设置预警的等级时，生成预警数据进行发送，实现对交通的拥堵预警。

28、作为一种优选方案，步骤s2中，在执行基于tpe的贝叶斯优化方法前，需要对基于tpe的贝叶斯优化方法的初始配置进行设置；首先，确定待优化的参数空间，即确定需要调整的超参数以及对应的取值范围，在本模型中，设定的可调参数包括：第一层lstm隐藏层结点数，第二层lstm隐藏层结点数，输出全连接层结点数，学习率，迭代次数以及每次训练的批次大小，后设置优化的目标函数为验证集上的均方根误差，最后确定算法最大迭代次数，至此算法初始配置设置完毕，执行算法对模型进行优化。

29、超参数优化是得到使网络模型性能最大化的超参数组合的过程，该过程被表示为：

30、；

31、式中为目标函数，是使目标损失函数取最小值的超参数组合。

32、作为一种优选方案，基于tpe的贝叶斯优化方法包括贝叶斯优化和tpe算法，贝叶斯优化是神经网络超参数优化领域中的一种启发式算法，通过已知观测值的概率分布建立目标函数的代理模型，并在代理模型上进行寻优，找到当前模型的最优值作为下一个观测点，得到该点处的观测值，随后不断迭代该过程，得到最大迭代次数下最优的参数组合；tpe算法是帮助贝叶斯优化建立代理概率模型的一种方式，模型的概率分布可以表示为，根据贝叶斯公式，可以将其分解为：

33、；

34、中，表示函数变量；

35、对于先验概率，tpe算法将其写为了下面的形式：

36、；

37、由此可得，根据不同的观测值分为了两种情况，其中为区分好坏成绩的阈值，它是通过分位数进行定义的，即，为小于1的常数，代表着好成绩观测值的分布，而则代表着坏成绩观测值的分布，上述两种概率分布可以通过核密度估计的方法进行求取，进一步，可以根据全概率公式得到,如下式所示；

38、；

39、得到了代理模型的概率分布后，贝叶斯优化算法引入了采集函数来对代理模型进行寻优，确定最有可能的极值点，采用期望提升ei作为采集函数，它代表着选取不同的观测点对阈值的期望提升，期望提升越大，代表当前选取的观测点是最优解的概率越大，ei的表达式如下所示：

40、<mi>e</mi><msub><mi>i</mi><msup><mi>y</mi><mi>⋆</mi></msup></msub><mi>[x]=</mi><mstyle displaystyle="false"><munderover><mo>∫</mo><mrow><mi>-</mi><mi>∞</mi></mrow><msup><mi>y</mi><mi>⋆</mi></msup></munderover><mrow><mi>(</mi><msup><mi>y</mi><mi>⋆</mi></msup><mi>-</mi><mi>y)p(y|x)</mi></mrow></mstyle><mi>dy=</mi><mstyle displaystyle="false"><munderover><mo>∫</mo><mrow><mi>-</mi><mi>∞</mi></mrow><msup><mi>y</mi><mi>⋆</mi></msup></munderover><mrow><mi>(</mi><msup><mi>y</mi><mi>⋆</mi></msup><mi>-</mi><mi>y)</mi></mrow></mstyle><mfrac><mi>p(x|y)p(y)</mi><mi>p(x)</mi></mfrac><mi>dy</mi>；

41、将，代入上式，可以得到：

42、<mi>e</mi><msub><mi>i</mi><msup><mi>y</mi><mi>⋆</mi></msup></msub><mi>[x]</mi><mi>∝</mi><mi>(γ+</mi><mfrac><mi>g(x)</mi><mi>l(x)</mi></mfrac><mi>(a</mi><mi>-</mi><mi>γ)</mi><msup><mi>)</mi><mrow><mi>-</mi><mn>1</mn></mrow></msup>；

43、式中，表示指数变量；

44、可见，期望提升随着的减小而增大，因此，只要令，得到最大的期望提升。

45、作为一种优选方案，因素集在建立时，首先，将平均速度、密度以及饱和度作为模糊拥堵等级评价的因素集，表示为：

46、；

47、其中，代表平均速度，代表密度，代表路段饱和度；

48、后对交通参数进行转换以得到密度和饱和度，转换方式如下：

49、；

50、；

51、其中，表示交通流量，代表路段基准通行能力，指的是单条车道所能容纳的最大车流量。

52、作为一种优选方案，评价集在建立时，将高速公路运行状态分为六个等级，即畅通、缓行、轻度拥堵、中度拥堵、重度拥堵、中断，评价集表示为：

53、。

54、由上述本发明提供的技术方案可以看出，本发明提供的一种基于交通参数短时预测的拥堵预警方法，有益效果是：该方法由交通参数预测以及拥堵等级判断两部分组成；其中，交通参数预测部分考虑了时空特性，并采用基于tpe的贝叶斯优化方法对lstm的超参数进行优化，相比于原始lstm模型以及其它典型网络模型具有更好的预测性能，拥堵判断部分采用了基于多指标的模糊评价算法，该算法利用五点法对隶属度函数进行了合理设置，并基于熵权法对交通指标进行赋权，实现对实际交通拥堵情况进行合理评价，本方法，在拥堵预测上可以达到较高的预测准确率。