基于Petri网建模的道路车流量预测方法研究
来源:用户上传
作者:
摘 要：在對基于Petri网建模道路进行分析时发现，当利用智能算法优化交通信号时会存在一定滞后性，主要原因在于智能算法运算效率不高，以及道路车辆产生的一些随机因素等。因此，使用Petri网对交叉口进行建模并模拟车流产生，并运用改进卡尔曼滤波算法对道路车流量进行预测，用于弥补因车辆随机因素或使用智能算法造成的时滞。改进算法采用SVM回归对利用卡尔曼滤波产生的误差进行拟合与预测，用于补偿卡尔曼滤波算法产生的误差。实验结果表明，利用SVM回归改进的卡尔曼滤波对车流预测产生的总误差比传统卡尔曼滤波预测误差降低了6个百分点，证明该方法有效提高了车流预测精度。
关键词：Petri网;车流预测;SVM回归;卡尔曼滤波
DOI：10. 11907/rjdk. 182341
中图分类号：TP319 文献标识码：A 文章编号：1672-7800（2019）004-0145-04
0 引言
交叉口道路车流预测对交叉口交通信号控制起着重要作用，根据车流预测结果可提前制定信号控制方案，以提升交叉口控制效率[1]。但之前研究鲜有将控制算法产生的时滞考虑进去，例如黄辉先等[2]研究道路优化时并未考虑智能算法耗时导致的控制滞后性。而且随着道路规模的扩大与车辆的增多，控制算法越来越复杂，研究车流预测对交通信号控制的意义也越来越重要。利用Petri网模拟交通通行可以精确到每辆车通行情况，国外Angela等[3]利用Petri网对交叉口进行建模，以参数变化的高斯分布函数模拟车辆到达情况，并用滚动优化方法优化各相位通行时长;Julvez等[4]利用连续Petri网对道路进行建模，并利用模型预测方法预测到达路口停车线的车辆数，从而优化交叉口信号;Wang等[5]利用Petri网分别对道路与相位切换顺序进行建模，模拟交叉口车辆通行与信号切换。在国内，郑子茹[6]运用Petri网将道路划分为不同资源，从而寻求最优资源分配方案;杨兆升等[7]是较早将卡尔曼滤波算法运用于交通流预测中的，并运用历史同期数据对模型进行改进;郭海峰等[8]在杨兆升基础上，利用模糊决策方法确定卡尔曼滤波预测值与历史平均值权重，并将两者相结合得到改进模型，取得了较好效果;傅贵等[9]采用支持向量机回归方法，利用历史数据训练预测模型并与卡尔曼滤波预测值进行对比，结果表明其预测效果优于卡尔曼滤波;赵卓峰等[10]利用经典GM（1，1）模型对交通流进行预测并用残差修正经典模型，得到的改进模型能够有效提高模型精度。基于以上研究提供的思路与方法，本文利用卡尔曼滤波与SVM回归组合预测方式对交通流进行预测，相比于单一预测方法，或利用多种预测方法通过权重组合方式进行预测[11-12]，本文利用SVM回归对卡尔曼预测残差进行优化预测，以进一步反馈补偿残差值，从而提升了车流预测精度。
5 仿真与结果
仿真平台采用Matlab2014a版本，首先运用PIPE4.30建立Petri网模型，通过Matlab中的GPenSIM工具箱读入道路Petri网模型;然后编写程序，获得在泊松分布情况下的车辆到达数据作为卡尔曼滤波预测输入值，得出输出预测值，并求解卡尔曼滤波预测误差;将误差数据的误差信息值作为训练样本训练SVM回归模型，采集1 000组误差信息值数据用于模型训练，SVM工具包采用台湾大学开发的libsvm工具包;最后将训练好的模型作为误差信息值预测模型，对卡尔曼滤波误差信息值进行预测，并转换为卡尔曼滤波预测误差，用于对卡尔曼滤波预测值的补偿，从而降低卡尔曼滤波预测误差。
仿真过程中设置车辆产生机构的泊松参数[λ]为10 ，仿真时间为60min。图4为卡尔曼滤波预测曲线，图5为改进卡尔曼方法预测曲线，图6为卡尔曼滤波预测相对误差直方图，图7为改进卡尔曼方法预测误差直方图，计算得到改进前的预测误差率为13.52%，改进后的预测误差率为7.63%。
6 结语
本文在基于Petri网建模基础上运用卡尔曼滤波算法对车流进行预测，并利用SVM回归方法对卡尔曼滤波算法预测值的误差信息进行预测，以补偿传统卡尔曼滤波造成的误差。实验结果表明，改进后的卡尔曼滤波预测有效提高了预测精度。通过改进基于Petri网的道路车流预测方法，可提升优化算法对交叉口信号的优化效率，使交叉口信号控制的实时性更强，也可为未来对于交叉口信号优化与车辆引导过程研究提供参考借鉴。
参考文献：
[1] 石曼曼. 基于卡尔曼滤波的短时交通流预测方法研究[D]. 成都：西南交通大学，2012.
[2] 黄辉先，史忠科. 城市单交叉路口交通流实时遗传算法优化控制[J]. 系统工程理论与实践，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] 郑子茹. 车路协同系统中无信号交叉口优化控制方法研究[D]. 北京：北京交通大学，2015.
[7] 杨兆升，朱中. 基于卡尔曼滤波理论的交通流量实时预测模型[J]. 中国公路学报，1999，12（3）：63-67.
[8] 郭海锋，方良君，俞立. 基于模糊卡尔曼滤波的短时交通流量预测方法[J]. 浙江工业大学学报，2013 （2）：218-221.
[9] 傅贵，韩国强，逯峰. 基于支持向量机回归的短时交通流预测模型[J]. 华南理工大学学报，2013（9）：71-76.
[10] 赵卓峰，杨宗润. 基于残差修正GM（1，1）模型的车流量预测[J]. 计算机科学，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] 孙冰. 城市道路交通單向拥堵点预测分流仿真[J]. 计算机仿真，2017（12）：139-142.
[13] 吴哲辉. Petri网导论[M]. 北京：机械工业出版社，2006.
[14] 宋文尧 ，张牙 . 卡尔曼滤波[M]. 北京：科学出版社，1991.
[15] 许珊. 基于交通流预测的单交叉口信号控制研究[D]. 大庆：东北石油大学，2014.
[16] 林冬霞. 基于车联网的短时交通流预测算法研究[D]. 广州：华南理工大学，2015.
[17] 王凡. 基于支持向量机的交通流预测方法研究[D]. 大连：大连理工大学，2010.
[18] 李斌，郗涛，史明华. 基于支持向量机的交通流组合预测模型[J]. 天津工业大学学报，2008，27（2）：73-77.
[19] 杨兆升，王媛，管青. 基于支持向量机方法的短时交通流量预测方法[J]. 吉林大学学报，2006（6）：881-884.
[20] ANDREW NG. 最优间隔分类器问题[EB/OL]. http：//open.163.com/special/opencourse/machinelearning.html.
（责任编辑：黄 健）
转载注明来源:https://www.xzbu.com/8/view-14803761.htm
