基于Petri網(wǎng)建模的道路車(chē)流量預(yù)測(cè)方法研究

李斌

摘 要：在對(duì)基于Petri網(wǎng)建模道路進(jìn)行分析時(shí)發(fā)現(xiàn)，當(dāng)利用智能算法優(yōu)化交通信號(hào)時(shí)會(huì)存在一定滯后性，主要原因在于智能算法運(yùn)算效率不高，以及道路車(chē)輛產(chǎn)生的一些隨機(jī)因素等。因此，使用Petri網(wǎng)對(duì)交叉口進(jìn)行建模并模擬車(chē)流產(chǎn)生，并運(yùn)用改進(jìn)卡爾曼濾波算法對(duì)道路車(chē)流量進(jìn)行預(yù)測(cè)，用于彌補(bǔ)因車(chē)輛隨機(jī)因素或使用智能算法造成的時(shí)滯。改進(jìn)算法采用SVM回歸對(duì)利用卡爾曼濾波產(chǎn)生的誤差進(jìn)行擬合與預(yù)測(cè)，用于補(bǔ)償卡爾曼濾波算法產(chǎn)生的誤差。實(shí)驗(yàn)結(jié)果表明，利用SVM回歸改進(jìn)的卡爾曼濾波對(duì)車(chē)流預(yù)測(cè)產(chǎn)生的總誤差比傳統(tǒng)卡爾曼濾波預(yù)測(cè)誤差降低了6個(gè)百分點(diǎn)，證明該方法有效提高了車(chē)流預(yù)測(cè)精度。

關(guān)鍵詞：Petri網(wǎng);車(chē)流預(yù)測(cè);SVM回歸;卡爾曼濾波

DOI：10. 11907/rjdk. 182341

中圖分類(lèi)號(hào)：TP319文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）004-0145-04

0 引言

交叉口道路車(chē)流預(yù)測(cè)對(duì)交叉口交通信號(hào)控制起著重要作用，根據(jù)車(chē)流預(yù)測(cè)結(jié)果可提前制定信號(hào)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(chǎn)生的時(shí)滯考慮進(jìn)去，例如黃輝先等[2]研究道路優(yōu)化時(shí)并未考慮智能算法耗時(shí)導(dǎo)致的控制滯后性。而且隨著道路規(guī)模的擴(kuò)大與車(chē)輛的增多，控制算法越來(lái)越復(fù)雜，研究車(chē)流預(yù)測(cè)對(duì)交通信號(hào)控制的意義也越來(lái)越重要。利用Petri網(wǎng)模擬交通通行可以精確到每輛車(chē)通行情況，國(guó)外Angela等[3]利用Petri網(wǎng)對(duì)交叉口進(jìn)行建模，以參數(shù)變化的高斯分布函數(shù)模擬車(chē)輛到達(dá)情況，并用滾動(dòng)優(yōu)化方法優(yōu)化各相位通行時(shí)長(zhǎng);Julvez等[4]利用連續(xù)Petri網(wǎng)對(duì)道路進(jìn)行建模，并利用模型預(yù)測(cè)方法預(yù)測(cè)到達(dá)路口停車(chē)線(xiàn)的車(chē)輛數(shù)，從而優(yōu)化交叉口信號(hào);Wang等[5]利用Petri網(wǎng)分別對(duì)道路與相位切換順序進(jìn)行建模，模擬交叉口車(chē)輛通行與信號(hào)切換。在國(guó)內(nèi)，鄭子茹[6]運(yùn)用Petri網(wǎng)將道路劃分為不同資源，從而尋求最優(yōu)資源分配方案;楊兆升等[7]是較早將卡爾曼濾波算法運(yùn)用于交通流預(yù)測(cè)中的，并運(yùn)用歷史同期數(shù)據(jù)對(duì)模型進(jìn)行改進(jìn);郭海峰等[8]在楊兆升基礎(chǔ)上，利用模糊決策方法確定卡爾曼濾波預(yù)測(cè)值與歷史平均值權(quán)重，并將兩者相結(jié)合得到改進(jìn)模型，取得了較好效果;傅貴等[9]采用支持向量機(jī)回歸方法，利用歷史數(shù)據(jù)訓(xùn)練預(yù)測(cè)模型并與卡爾曼濾波預(yù)測(cè)值進(jìn)行對(duì)比，結(jié)果表明其預(yù)測(cè)效果優(yōu)于卡爾曼濾波;趙卓峰等[10]利用經(jīng)典GM（1，1）模型對(duì)交通流進(jìn)行預(yù)測(cè)并用殘差修正經(jīng)典模型，得到的改進(jìn)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(yù)測(cè)方式對(duì)交通流進(jìn)行預(yù)測(cè)，相比于單一預(yù)測(cè)方法，或利用多種預(yù)測(cè)方法通過(guò)權(quán)重組合方式進(jìn)行預(yù)測(cè)[11-12]，本文利用SVM回歸對(duì)卡爾曼預(yù)測(cè)殘差進(jìn)行優(yōu)化預(yù)測(cè)，以進(jìn)一步反饋補(bǔ)償殘差值，從而提升了車(chē)流預(yù)測(cè)精度。

5 仿真與結(jié)果

仿真平臺(tái)采用Matlab2014a版本，首先運(yùn)用PIPE4.30建立Petri網(wǎng)模型，通過(guò)Matlab中的GPenSIM工具箱讀入道路Petri網(wǎng)模型;然后編寫(xiě)程序，獲得在泊松分布情況下的車(chē)輛到達(dá)數(shù)據(jù)作為卡爾曼濾波預(yù)測(cè)輸入值，得出輸出預(yù)測(cè)值，并求解卡爾曼濾波預(yù)測(cè)誤差;將誤差數(shù)據(jù)的誤差信息值作為訓(xùn)練樣本訓(xùn)練SVM回歸模型，采集1 000組誤差信息值數(shù)據(jù)用于模型訓(xùn)練，SVM工具包采用臺(tái)灣大學(xué)開(kāi)發(fā)的libsvm工具包;最后將訓(xùn)練好的模型作為誤差信息值預(yù)測(cè)模型，對(duì)卡爾曼濾波誤差信息值進(jìn)行預(yù)測(cè)，并轉(zhuǎn)換為卡爾曼濾波預(yù)測(cè)誤差，用于對(duì)卡爾曼濾波預(yù)測(cè)值的補(bǔ)償，從而降低卡爾曼濾波預(yù)測(cè)誤差。

仿真過(guò)程中設(shè)置車(chē)輛產(chǎn)生機(jī)構(gòu)的泊松參數(shù)[λ]為10 ，仿真時(shí)間為60min。圖4為卡爾曼濾波預(yù)測(cè)曲線(xiàn)，圖5為改進(jìn)卡爾曼方法預(yù)測(cè)曲線(xiàn)，圖6為卡爾曼濾波預(yù)測(cè)相對(duì)誤差直方圖，圖7為改進(jìn)卡爾曼方法預(yù)測(cè)誤差直方圖，計(jì)算得到改進(jìn)前的預(yù)測(cè)誤差率為13.52%，改進(jìn)后的預(yù)測(cè)誤差率為7.63%。

6 結(jié)語(yǔ)

本文在基于Petri網(wǎng)建?；A(chǔ)上運(yùn)用卡爾曼濾波算法對(duì)車(chē)流進(jìn)行預(yù)測(cè)，并利用SVM回歸方法對(duì)卡爾曼濾波算法預(yù)測(cè)值的誤差信息進(jìn)行預(yù)測(cè)，以補(bǔ)償傳統(tǒng)卡爾曼濾波造成的誤差。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的卡爾曼濾波預(yù)測(cè)有效提高了預(yù)測(cè)精度。通過(guò)改進(jìn)基于Petri網(wǎng)的道路車(chē)流預(yù)測(cè)方法，可提升優(yōu)化算法對(duì)交叉口信號(hào)的優(yōu)化效率，使交叉口信號(hào)控制的實(shí)時(shí)性更強(qiáng)，也可為未來(lái)對(duì)于交叉口信號(hào)優(yōu)化與車(chē)輛引導(dǎo)過(guò)程研究提供參考借鑒。

參考文獻(xiàn)：

[1] 石曼曼. 基于卡爾曼濾波的短時(shí)交通流預(yù)測(cè)方法研究[D]. 成都：西南交通大學(xué)，2012.

[2] 黃輝先，史忠科. 城市單交叉路口交通流實(shí)時(shí)遺傳算法優(yōu)化控制[J]. 系統(tǒng)工程理論與實(shí)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.