基于PSO?SVM模型的南京市區交叉口交通流分析

摘 要： 道路交叉口作為車輛匯集區域是交通研究的主要對象。利用南京市2010年9月出租汽車GPS數據，通過空間相關分析中Moran′I指數分析了南京市市區空間集聚情況，并利用BP神經網絡、支持向量機（SVM）和粒子群優化的支持向量機（PSO?SVM）對空間集聚區域中主干道路形成的交叉口進行了交通流量預測。研究結果表明Moran′I指數能有效找出空間集聚區域，南京市區呈現明顯的單中心集聚模式，主要集中在鼓樓區。利用三種模型對市中心交通量進行模擬，結果發現三種模型的相關系數都在0.7以上，但是相較BP神經網絡與SVM方法，PSO?SVM的誤差最小，誤差精度分別提高了約10%和1%，曲線擬合情況與原始數據更加接近。

關鍵詞： 城市交通； 交通量預測； Moran′I指數； PSO?SVM； 道路交叉口

中圖分類號： TN711?34； X928.02 文獻標識碼： A 文章編號： 1004?373X（2016）17?0128?04

0 引 言

當下城市經濟發展迅速，大中城市人口增加，城市集聚效應明顯，集聚區的交通問題已成為交通研究的熱點問題。交叉口作為道路節點是車輛匯集區域。合理預測集聚區的道路交叉口交通流量，不但能有效地避免高峰時間段的擁堵問題，甚至能減少交通事故的發生。

盡管BP神經網絡模型具有非線性映射能力，但是收斂速度緩慢和容易陷入局部最優是目前尚未解決的問題。目前，支持向量機（Supprot Vector Machines，SVM）作為一種新型的機器學習工具，在收斂時間、精度、最優值等方面都優于BP神經網絡模型，已經逐漸應用于交通問題的研究中。近些年SVM的研究正朝著參數選擇及算法的改進發展 [1]，目前較為流行的是粒子群算法（Particle Swarm Optimization，PSO）。PSO算法調節參數少并且能極大地提高收斂速度和預測精度，非常適合SVM的參數尋優[2?3]。其中Zhu將PSO優化的SVM應用在礦道位移問題上，發現能更好地預測煤礦大變形問題[4]；Tang應用PSO?SVM模型對面部表情問題進行了研究[5]；邵信光利用PSO優化SVM對聚丙烯腈建模，發現預測效果比SVM的誤差小[6]；翁鋼民利用季節調整的PSO?SVR研究了旅游客流量，從數據與方法上進行改良結果明顯優于傳統的SVR[7]。事實證明PSO算法能有效優化SVM模型，并且能更好地處理非線性問題。

1 研究區及數據

南京市市區共計13條主干道，稱為“經五緯八“。市區主要分為玄武區、建鄴區、秦淮區、鼓樓區。本文以南京市區為研究區域，以2010年9月南京市出租車浮動數據為研究數據（其中出租車總量約7 000輛），采用時空數據挖掘方法，分析南京市區主干道路口交通流變化情況。文獻[8]指出晚23點到早8點之間，屬于低峰時間段，居民出行量較少，出租車運營以空駛為主，考慮到早晚交接班情況，本文將研究時間段定為白天的6點到夜間的23點，表1是南京市出租車浮動車數據樣式。

3 結果與分析

3.1 南京市空間自相關分析

本文采用了2010年9月13日—9月19日南京市出租車GPS數據，利用SQL數據庫計算出上下客時出租車位置的改變，并統計出下車點數據，同時參考文獻[12]的方法將南京市市區分為10×10的格網，如圖2所示。

對上述數據采用Moran′I指數分析，求得一周全局Moran′I指數，結果如圖3所示。根據Moran′I值的特性發現南京市區載客量呈正相關，呈現聚集效應，從圖3可以發現工作日的Moran′I值基本變化不大，從工作日到休息日Moran′I值整體呈上升趨勢，并在周六迅速爬升，休息日全局Moran′I值整體較高，休息日相比工作日集聚程度更高。

局部Moran′I值測度值能有效反映區域內部各網格之間的相互作用，圖3反映出南京市區全局Moran′I值周六與周日相差不大，本文選取了休息日9月19日（周日）進行了局部空間自相關分析，結果如圖4所示。

從圖4可知南京市市區局部Moran′I值呈現周圍低，城區中心高的空間分布特征，而且集聚區周圍地區局部Moran′I值呈現負值，說明此區域為車輛流出區域，且流出對象為城市中心區域。圖4顯示經度方向3～6與緯度方向3～7形成的區域為高度集聚區域，此區域應為出租汽車下車高頻區域，此區域交通匯入量較大。道路作為交通工具的載體，尤其是道路的節點?道路交叉口，由于紅綠燈等原因存在著引起交通擁堵的可能性，研究交叉口交通流量能夠發現交通流特性與總體趨勢，對有效緩解道路及道路節點的承載壓力有著巨大作用。本文提出了一種PSO?SVM模型對南京市區集聚區域的道路交叉口進行了車流量的預測分析，希望能有效解決單中心城市存在的交通問題。

3.2 南京市交叉口出租車交通流預測

將局部Moran′I指數發現的城市聚集區映射到圖2中，發現對應主干道交叉口分別為6，7，8，9，12，13，14，15，19，20，21，22。利用ArcGIS獲得南京市區道路圖中相應路口的坐標，并在SQL數據庫中利用distinct語句獲得路口總交通流量。采用Matlab2009a軟件進行仿真處理，分別建立BP神經網絡模型、SVM模型和PSO?SVM模型，并將模型分為工作日與休息日進行分析。本文將周一、周二、周三的數據作為訓練數據，作為模型輸入參數，建立工作日模型，將周四數據作為預測數據進行驗證。休息日模型采用周六數據為訓練數據，周日數據為驗證數據。三種模型的預測結果如表2～表4所示。

從表2中發現三種模型的相關系數的平均值都在0.7以上，屬于強相關性，盡管BP神經網絡的相關系數最強，但是從表3和表4的MSE顯示，BP神經網絡最差。誤差方面工作日模型只有路口9的BP神經網絡與SVM和PSO?SVM最為接近，休息日模型為路口6，7，8，9，12，15，18，21。工作日由于早午晚高峰等原因，交通量存在較大波動可能是引起誤差增大的原因。 PSO?SVM與SVM相關系數基本接近，并且MSE提高了約1%，說明對SVM參數進行優化能起到一定作用。為分析造成BP神經網絡模型誤差大的原因以及對三種模型預測結果進行比較，選取了車載密度最高區域（3，4）（坐標對應網格）中路口編號13做擬合曲線，對比結果如圖5，圖6所示。

從圖5中可以直觀看見存在明顯的早高峰和晚高峰，路口流量波動大，中間低谷85～97在下午1點與2點之間，為上班時間出現量小，符合工作日出行規律。工作日曲線SVM和PSO?SVM相比BP神經網絡與原始數據更為接近。圖6為休息日模型預測結果，三種曲線與原始數據都十分接近，曲線呈現整體高峰趨勢，路口流量平穩，這也是造成BP神經網絡模型工作日休息日誤差差距大的可能原因。圖6中盡管曲線擬合情況優異，但是在部分時間點BP神經網絡出現預測為負值，違反實際情況。綜合表2，表3，表4以及圖5和圖6可知，在對交叉口交通流預測分析中，PSO?SVM的預測精度明顯優于BP神經網絡，略優于SVM方法，說明改良參數能起到良好的優化效果。

4 結 論

本文通過空間相關分析中的Moran′I指數分析了南京市市區的載客量空間特性，并統計了載客量空間集聚區中主干道交叉口流量，利用粒子群算法簡單，算法收斂快，時間短的特點，結合支持向量機構建了PSO?SVM模型，對南京市區載客集聚區域的主干道路交叉口的交通量做了模擬，從而對集聚區的擁堵問題做了有效的預測與監督。研究結果表明南京市市區呈明顯單中心特點，空間集聚效果明顯，主要集中在南京市鼓樓區。采用模型對集聚區的道路模擬發現，三種模型相關系數都在0.7以上，具有良好線性相關性。PSO?SVM在預測誤差精度上有所提高，相較于BP神經網絡和傳統的SVM方法分別提高了10%與1%，曲線與原始數據擬合度更高。通過本文研究能夠為南京市出租汽車行業、交通規劃部門和政府管理者提供有利的決策。

參考文獻

[1] HUANG C F. A hybrid stock selection model using genetic algorithms and support vector regression original research article [J]. Applied soft computing， 2012， 12（2）： 807?818.

[2] 陳傳亮，田英杰，別榮芳.基于粒子群優化的SVR算法與BP網絡的比較研究[J].北京師范大學學報（自然科學版），2008，44（5）：449?453.

[3] LIU Lixia， ZHANG Yiqi， LIU Xueyong. Tax forecasting theory and model based on SVM optimized by PSO original research article [J]. Expert systems with applications， 2011， 38（1）： 116?120.

[4] ZHU Z D， LI H B， SHANG J F， et al. Research on the mining roadway displacement forecasting based on support vector machine theory [J]. Journal of coal science and engineering （China）， 2010， 16（3）： 235?239.

[5] TANG M， CHEN F. Facial expression recognition and its application based on curvelet transform and PSO?SVM [J]. Optik?international journal for light and electron optics， 2013， 124（22）： 5401?5406.

[6] 邵信中，楊慧中，陳剛.基于粒子群優化算法的支持向量機參數選擇及其應用[J].控制理論與應用，2006，23（5）：740?743.

[7] 翁鋼民，李凌雁.旅游客流量預測：基于季節調整的PSO?SVR模型研究[J].計算機應用研究，2014，31（3）：692?695.

[8] 李艷紅，袁振洲，謝海紅，等.基于出租車OD數據的出租車出行特征分析[J].交通運輸系統工程與信息，2007，7（5）：85?89.

[9] 熊昌盛，韋仕川，欒喬林，等.基于Moran′s I分析方法的耕地質量空間差異研究：以廣東省廣寧縣為例[J].資源科學，2014，36（10）：2066?2074.

[10] SHI Y H， EBERHART R. A modified particle swarm optimizer [C]// Proceedings of IEEE World Congress on Computational Intelligence. Anchorage： IEEE， 1998： 69?73.

[11] FROHLICH H， CHAPELLE O. Feature selection for support vector machines by means of genetic algorithms [C]// Procee?dings of the 15th IEEE International Conference on Tools with Artificial Intelligence. Sacramento： IEEE， 2003： 142?148.

[12] 孫蕊，于海濤，杜勇.北京市出租車交接班時空分布特性研究[J].交通運輸系統工程與信息，2014，14（1）：221?228.