基于Petri網建模的道路車流量預測方法研究
來源:用戶上傳
作者:
摘 要：在對基于Petri網建模道路進行分析時發現，當利用智能算法優化交通信號時會存在一定滯后性，主要原因在于智能算法運算效率不高，以及道路車輛產生的一些隨機因素等。因此，使用Petri網對交叉口進行建模并模擬車流產生，并運用改進卡爾曼濾波算法對道路車流量進行預測，用于彌補因車輛隨機因素或使用智能算法造成的時滯。改進算法采用SVM回歸對利用卡爾曼濾波產生的誤差進行擬合與預測，用于補償卡爾曼濾波算法產生的誤差。實驗結果表明，利用SVM回歸改進的卡爾曼濾波對車流預測產生的總誤差比傳統卡爾曼濾波預測誤差降低了6個百分點，證明該方法有效提高了車流預測精度。
關鍵詞：Petri網;車流預測;SVM回歸;卡爾曼濾波
DOI：10. 11907/rjdk. 182341
中圖分類號：TP319 文獻標識碼：A 文章編號：1672-7800（2019）004-0145-04
0 引言
交叉口道路車流預測對交叉口交通信號控制起著重要作用，根據車流預測結果可提前制定信號控制方案，以提升交叉口控制效率[1]。但之前研究鮮有將控制算法產生的時滯考慮進去，例如黃輝先等[2]研究道路優化時并未考慮智能算法耗時導致的控制滯后性。而且隨著道路規模的擴大與車輛的增多，控制算法越來越復雜，研究車流預測對交通信號控制的意義也越來越重要。利用Petri網模擬交通通行可以精確到每輛車通行情況，國外Angela等[3]利用Petri網對交叉口進行建模，以參數變化的高斯分布函數模擬車輛到達情況，并用滾動優化方法優化各相位通行時長;Julvez等[4]利用連續Petri網對道路進行建模，并利用模型預測方法預測到達路口停車線的車輛數，從而優化交叉口信號;Wang等[5]利用Petri網分別對道路與相位切換順序進行建模，模擬交叉口車輛通行與信號切換。在國內，鄭子茹[6]運用Petri網將道路劃分為不同資源，從而尋求最優資源分配方案;楊兆升等[7]是較早將卡爾曼濾波算法運用于交通流預測中的，并運用歷史同期數據對模型進行改進;郭海峰等[8]在楊兆升基礎上，利用模糊決策方法確定卡爾曼濾波預測值與歷史平均值權重，并將兩者相結合得到改進模型，取得了較好效果;傅貴等[9]采用支持向量機回歸方法，利用歷史數據訓練預測模型并與卡爾曼濾波預測值進行對比，結果表明其預測效果優于卡爾曼濾波;趙卓峰等[10]利用經典GM（1，1）模型對交通流進行預測并用殘差修正經典模型，得到的改進模型能夠有效提高模型精度?；谝陨涎芯刻峁┑乃悸放c方法，本文利用卡爾曼濾波與SVM回歸組合預測方式對交通流進行預測，相比于單一預測方法，或利用多種預測方法通過權重組合方式進行預測[11-12]，本文利用SVM回歸對卡爾曼預測殘差進行優化預測，以進一步反饋補償殘差值，從而提升了車流預測精度。
5 仿真與結果
仿真平臺采用Matlab2014a版本，首先運用PIPE4.30建立Petri網模型，通過Matlab中的GPenSIM工具箱讀入道路Petri網模型;然后編寫程序，獲得在泊松分布情況下的車輛到達數據作為卡爾曼濾波預測輸入值，得出輸出預測值，并求解卡爾曼濾波預測誤差;將誤差數據的誤差信息值作為訓練樣本訓練SVM回歸模型，采集1 000組誤差信息值數據用于模型訓練，SVM工具包采用臺灣大學開發的libsvm工具包;最后將訓練好的模型作為誤差信息值預測模型，對卡爾曼濾波誤差信息值進行預測，并轉換為卡爾曼濾波預測誤差，用于對卡爾曼濾波預測值的補償，從而降低卡爾曼濾波預測誤差。
仿真過程中設置車輛產生機構的泊松參數[λ]為10 ，仿真時間為60min。圖4為卡爾曼濾波預測曲線，圖5為改進卡爾曼方法預測曲線，圖6為卡爾曼濾波預測相對誤差直方圖，圖7為改進卡爾曼方法預測誤差直方圖，計算得到改進前的預測誤差率為13.52%，改進后的預測誤差率為7.63%。
6 結語
本文在基于Petri網建?；A上運用卡爾曼濾波算法對車流進行預測，并利用SVM回歸方法對卡爾曼濾波算法預測值的誤差信息進行預測，以補償傳統卡爾曼濾波造成的誤差。實驗結果表明，改進后的卡爾曼濾波預測有效提高了預測精度。通過改進基于Petri網的道路車流預測方法，可提升優化算法對交叉口信號的優化效率，使交叉口信號控制的實時性更強，也可為未來對于交叉口信號優化與車輛引導過程研究提供參考借鑒。
參考文獻：
[1] 石曼曼. 基于卡爾曼濾波的短時交通流預測方法研究[D]. 成都：西南交通大學，2012.
[2] 黃輝先，史忠科. 城市單交叉路口交通流實時遺傳算法優化控制[J]. 系統工程理論與實踐，2001（3）：102-106.
[3] FEBBRARO A D， GIGLIO D， SACCO N. A deterministic and stochastic petri Net model for traffic-responsive signaling control in urban areas[J]. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（2）：510-524.
[4] JULVEZ J，BOEL R K. A continuous petri net approach for model predictive control of traffic systems[J]. Transactions on System Man and Cybernetics Part A-systems and Humans，2010，40（4）：686-697.
[5] WANG J， YAN J， LI L. Microscopic modeling of a signalized traffic intersection using timed Petri nets[J]. IEEE Transactions on Intelligent Transportation Systems，2016，17（2）：305-312. [6] 鄭子茹. 車路協同系統中無信號交叉口優化控制方法研究[D]. 北京：北京交通大學，2015.
[7] 楊兆升，朱中. 基于卡爾曼濾波理論的交通流量實時預測模型[J]. 中國公路學報，1999，12（3）：63-67.
[8] 郭海鋒，方良君，俞立. 基于模糊卡爾曼濾波的短時交通流量預測方法[J]. 浙江工業大學學報，2013 （2）：218-221.
[9] 傅貴，韓國強，逯峰. 基于支持向量機回歸的短時交通流預測模型[J]. 華南理工大學學報，2013（9）：71-76.
[10] 趙卓峰，楊宗潤. 基于殘差修正GM（1，1）模型的車流量預測[J]. 計算機科學，2017（4）：96-99.
[11] KIM W，PARK B H. Multi-time step traffic queue prediction model based on discrete time point process （DTPP）[C]. International Conference on Future Generation Communication & Networking Symposia. IEEE， 2008.
[12] 孫冰. 城市道路交通單向擁堵點預測分流仿真[J]. 計算機仿真，2017（12）：139-142.
[13] 吳哲輝. Petri網導論[M]. 北京：機械工業出版社，2006.
[14] 宋文堯 ，張牙 . 卡爾曼濾波[M]. 北京：科學出版社，1991.
[15] 許珊. 基于交通流預測的單交叉口信號控制研究[D]. 大慶：東北石油大學，2014.
[16] 林冬霞. 基于車聯網的短時交通流預測算法研究[D]. 廣州：華南理工大學，2015.
[17] 王凡. 基于支持向量機的交通流預測方法研究[D]. 大連：大連理工大學，2010.
[18] 李斌，郗濤，史明華. 基于支持向量機的交通流組合預測模型[J]. 天津工業大學學報，2008，27（2）：73-77.
[19] 楊兆升，王媛，管青. 基于支持向量機方法的短時交通流量預測方法[J]. 吉林大學學報，2006（6）：881-884.
[20] ANDREW NG. 最優間隔分類器問題[EB/OL]. http：//open.163.com/special/opencourse/machinelearning.html.
?。ㄘ熑尉庉嫞狐S ?。?
轉載注明來源:http://www.hailuomaifang.com/8/view-14803761.htm
