城市交通流量預測模型的研究

李勁松 易明俊

摘 要： 城市交通流量預測是具有社會價值的重要課題之一。由于城市交通流量預測涉及到一個復雜的非線性數據模式，因此精確預測的難度較大。為此，提出將支持向量回歸模型（SVR）和連續蟻群優化算法（ACO）相結合對城市短期交通流量進行預測的思路。仿真結果表明，與常見的季節自回歸滑動平均時間序列模型的預測方法相比，該模型能得到更準確的預測結果。

關鍵詞： 交通流量預測; 支持向量回歸; 連續蟻群優化算法

中圖分類號： TP 393 ? ? ?文獻標志碼： A

Abstract： Urban traffic flow forecasting is one of the important topics of social value. Because urban traffic flow prediction involves a complex nonlinear data model， accurate prediction is difficult. To this end， this paper proposes a combination of support vector regression model （SVR） and continuous ant colony optimization algorithm（ACO）to predict urban short-term traffic flow. The simulation results show that the model can obtain more accurate prediction results than the prediction method of the common seasonal autoregressive moving average time series model.

Key words： traffic flow prediction; support vector regression; continuous ant colony optimization algorithm

0 引言

對通行能力的準確預測，會緩解交通擁擠，并在出行時間、燃料成本和環境污染等方面會產生巨大的效益，因此準確預測高峰時段的交通流量是一個非常具有社會價值的課題[1-3]。研究表明，將現有的基于模型的預測算法應用于城市公路網的交通流量預測，由于存在不同時間和不同地理位置的交通流量之間存在耦合的關聯關系[4]，以及交通流量建模時很難處理的流量數據噪聲和缺失值[5]，將出現預測結果可靠性不高的問題[6-7]。為此一些研究人員開發出季節性差分自動平滑回歸（SARIMA）模型[8]應用于交通流量預測。該模型通過季節性差分自動平滑回歸來考慮高峰值、非高峰值流量周期，以有效提高預測的準確性。但是，該模型在異常值檢測和模型參數的訓練效率方面存在明顯缺陷。為此，本文提出采用支持向量機回歸模型（SVR）[9-10]實現城市交通流量的預測，并采用蟻群優化算法（ACO）[11]來確定SVR模型參數。……