[發明專利]一種道路擁堵情況測試方法

在審

• 申請號: 201611110017.8
• 申請日: 2016-12-06
• 公開（公告）號: CN106781464A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 黃詩平
• 申請（專利權）人: 廣州市科恩電腦有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種道路擁堵情況測試方法，包括：

步驟S100，建立道路擁堵預測模型；

步驟S200，采集交通流量數據并進行數據預處理；

步驟S300，將交通流量數據輸入道路擁堵預測模型，得到預測的道路擁堵情況。

2.如權利要求1所述的道路擁堵情況測試方法，其中，采集交通流量數據并進行數據預處理包括：

通過在道路上安裝攝像頭、感應器等設施實現對交通流量數據的采集和計算。

3.如權利要求1所述的道路擁堵情況測試方法，其中，道路擁堵情況分為1到10十個等級，1到5級別的交通都屬于順暢，由5到10，擁堵級別逐漸增加。

4.如權利要求1所述的道路擁堵情況測試方法，其中，

所述道路擁堵預測模型是BP神經網絡模型。

5.如權利要求1所述的道路擁堵情況測試方法，其中，

所述道路擁堵預測模型是融合了BP神經網絡模型和SVM(支持向量機)模型相融合的模型。

6.如權利要求1所述的道路擁堵情況測試方法，其中，

所述的道路擁堵預測模型的輸入量為：q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-3，q₁、q₂、q₃、以及Q_t分別表示了上游交叉口t時刻北方位、西方位、南方位、以及下游路口的交通流量，Q_t-1,Q_t-2,Q_t-3分別表示t-1時刻、t-2時刻、t-3時刻下游路口的交通流量，即t時刻的前3個時刻的交通流量。

7.如權利要求4所述的道路擁堵情況測試方法，其中，

所述BP神經網絡模型為基于遺傳算法改進的BP神經網絡模型。

8.如權利要求7所述的道路擁堵情況測試方法，其中，生成基于遺傳算法改進的BP神經網絡模型包括：

1、初始種群的產生

1.1生成一個0～1之間的一個隨機小數α，作為學習率；

1.2隨機生成1～100之間一個整數，作為隱含層單元數；

1.3產生一個BP神經網絡模型作為初始種群的一個染色體；

1.4重復1.1-1.3直至達到所需種群規模；

2、選擇適應度函數

其中，eval為適應度函數的函數值，E為BP神經網絡的預測誤差,T為BP神經網絡收斂的時間,

λ是權重因子；

3、選擇子代

3.1利用公式(1)計算種群中各個染色體M_k的適應值，

k＝1,2,Λ,pop_size，pop_size是種群規模的大小，pop_size取值為10；

3.2計算各個染色體適應值代數和，

3.3計算各個染色體的選擇概率，

3.4計算各個染色體的累積概率，

3.5在[0,1]區間內產生一個均勻分布的偽隨機數r；

3.6若r≤q₁，則選擇第一個染色體M₁,否則當q_k-1＜r≤q_k時選擇M_k，2≤k≤pop_size；

3.7重復3.5-3.6共pop_size次，產生pop_size個[0,1]區間內的偽隨機數,選擇pop_size個染色體；

3.8將染色體按適應值從大到小排序；

3.9保留適應值較高的前一半染色體作為子代的一部分；

3.10將適應值較低的后一半的染色體利用輪盤賭選擇得到子代的另一部分；

4、染色體的交叉與變異

把兩個BP神經網絡模型作為兩條染色體,每個模型的學習率和隱含層單元數作為兩個基因,交換這兩個BP網絡的學習率和隱層單元數就可得到兩個新的BP網絡預測模型；

種群中前5個染色體與后5個染色體按照上述的方式進行交叉,得到5個新的BP神經網絡模型,這5個模型再與步驟3中選擇到的5個適應度較高的染色體作為子代,得到新的種群；

對BP神經網絡模型的隱含層單元數進行變異，具體為：

其中，h為需要變異的模型隱含層單元數，T為變異模型的收斂時間，T₀為此時種群中所有染色體收斂時間的平均值，變異調整因子η取0.9,μ取1.1，[η×h]和[μ×h]分別表示η×h和μ×h的整數部分，h表示變異后新的模型的隱含層單元數。