摘 要： 道路交叉口作為車輛匯集區(qū)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(shù)據(jù)，通過空間相關(guān)分析中Moran′I指數(shù)分析了南京市市區(qū)空間集聚情況，并利用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）和粒子群優(yōu)化的支持向量機(jī)（PSO?SVM）對空間集聚區(qū)域中主干道路形成的交叉口進(jìn)行了交通流量預(yù)測。研究結(jié)果表明Moran′I指數(shù)能有效找出空間集聚區(qū)域，南京市區(qū)呈現(xiàn)明顯的單中心集聚模式，主要集中在鼓樓區(qū)。利用三種模型對市中心交通量進(jìn)行模擬，結(jié)果發(fā)現(xiàn)三種模型的相關(guān)系數(shù)都在0.7以上，但是相較BP神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)更加接近。

關(guān)鍵詞： 城市交通； 交通量預(yù)測； Moran′I指數(shù)； PSO?SVM； 道路交叉口

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

0 引 言

當(dāng)下城市經(jīng)濟(jì)發(fā)展迅速，大中城市人口增加，城市集聚效應(yīng)明顯，集聚區(qū)的交通問題已成為交通研究的熱點(diǎn)問題。交叉口作為道路節(jié)點(diǎn)是車輛匯集區(qū)域。合理預(yù)測集聚區(qū)的道路交叉口交通流量，不但能有效地避免高峰時(shí)間段的擁堵問題，甚至能減少交通事故的發(fā)生。

盡管BP神經(jīng)網(wǎng)絡(luò)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(yōu)是目前尚未解決的問題。目前，支持向量機(jī)（Supprot Vector Machines，SVM）作為一種新型的機(jī)器學(xué)習(xí)工具，在收斂時(shí)間、精度、最優(yōu)值等方面都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型，已經(jīng)逐漸應(yīng)用于交通問題的研究中。近些年SVM的研究正朝著參數(shù)選擇及算法的改進(jìn)發(fā)展 [1]，目前較為流行的是粒子群算法（Particle Swarm Optimization，PSO）。PSO算法調(diào)節(jié)參數(shù)少并且能極大地提高收斂速度和預(yù)測精度，非常適合SVM的參數(shù)尋優(yōu)[2?3]。其中Zhu將PSO優(yōu)化的SVM應(yīng)用在礦道位移問題上，發(fā)現(xiàn)能更好地預(yù)測煤礦大變形問題[4]；Tang應(yīng)用PSO?SVM模型對面部表情問題進(jìn)行了研究[5]；邵信光利用PSO優(yōu)化SVM對聚丙烯腈建模，發(fā)現(xiàn)預(yù)測效果比SVM的誤差小[6]；翁鋼民利用季節(jié)調(diào)整的PSO?SVR研究了旅游客流量，從數(shù)據(jù)與方法上進(jìn)行改良結(jié)果明顯優(yōu)于傳統(tǒng)的SVR[7]。事實(shí)證明PSO算法能有效優(yōu)化SVM模型，并且能更好地處理非線性問題。

1 研究區(qū)及數(shù)據(jù)

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

3 結(jié)果與分析

3.1 南京市空間自相關(guān)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(shù)據(jù)，利用SQL數(shù)據(jù)庫計(jì)算出上下客時(shí)出租車位置的改變，并統(tǒng)計(jì)出下車點(diǎn)數(shù)據(jù)，同時(shí)參考文獻(xiàn)[12]的方法將南京市市區(qū)分為10×10的格網(wǎng)，如圖2所示。

對上述數(shù)據(jù)采用Moran′I指數(shù)分析，求得一周全局Moran′I指數(shù)，結(jié)果如圖3所示。根據(jù)Moran′I值的特性發(fā)現(xiàn)南京市區(qū)載客量呈正相關(guān)，呈現(xiàn)聚集效應(yīng)，從圖3可以發(fā)現(xiàn)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(qū)域內(nèi)部各網(wǎng)格之間的相互作用，圖3反映出南京市區(qū)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(jìn)行了局部空間自相關(guān)分析，結(jié)果如圖4所示。

從圖4可知南京市市區(qū)局部Moran′I值呈現(xiàn)周圍低，城區(qū)中心高的空間分布特征，而且集聚區(qū)周圍地區(qū)局部Moran′I值呈現(xiàn)負(fù)值，說明此區(qū)域?yàn)檐囕v流出區(qū)域，且流出對象為城市中心區(qū)域。圖4顯示經(jīng)度方向3～6與緯度方向3～7形成的區(qū)域?yàn)楦叨燃蹍^(qū)域，此區(qū)域應(yīng)為出租汽車下車高頻區(qū)域，此區(qū)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(jié)點(diǎn)?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(fā)現(xiàn)交通流特性與總體趨勢，對有效緩解道路及道路節(jié)點(diǎn)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(qū)集聚區(qū)域的道路交叉口進(jìn)行了車流量的預(yù)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(yù)測

將局部Moran′I指數(shù)發(fā)現(xiàn)的城市聚集區(qū)映射到圖2中，發(fā)現(xiàn)對應(yīng)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(qū)道路圖中相應(yīng)路口的坐標(biāo)，并在SQL數(shù)據(jù)庫中利用distinct語句獲得路口總交通流量。采用Matlab2009a軟件進(jìn)行仿真處理，分別建立BP神經(jīng)網(wǎng)絡(luò)模型、SVM模型和PSO?SVM模型，并將模型分為工作日與休息日進(jìn)行分析。本文將周一、周二、周三的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，作為模型輸入?yún)?shù)，建立工作日模型，將周四數(shù)據(jù)作為預(yù)測數(shù)據(jù)進(jìn)行驗(yàn)證。休息日模型采用周六數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，周日數(shù)據(jù)為驗(yàn)證數(shù)據(jù)。三種模型的預(yù)測結(jié)果如表2～表4所示。

從表2中發(fā)現(xiàn)三種模型的相關(guān)系數(shù)的平均值都在0.7以上，屬于強(qiáng)相關(guān)性，盡管BP神經(jīng)網(wǎng)絡(luò)的相關(guān)系數(shù)最強(qiáng)，但是從表3和表4的MSE顯示，BP神經(jīng)網(wǎng)絡(luò)最差。誤差方面工作日模型只有路口9的BP神經(jīng)網(wǎng)絡(luò)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(dòng)可能是引起誤差增大的原因。 PSO?SVM與SVM相關(guān)系數(shù)基本接近，并且MSE提高了約1%，說明對SVM參數(shù)進(jìn)行優(yōu)化能起到一定作用。為分析造成BP神經(jīng)網(wǎng)絡(luò)模型誤差大的原因以及對三種模型預(yù)測結(jié)果進(jìn)行比較，選取了車載密度最高區(qū)域（3，4）（坐標(biāo)對應(yīng)網(wǎng)格）中路口編號13做擬合曲線，對比結(jié)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(dòng)大，中間低谷85～97在下午1點(diǎn)與2點(diǎn)之間，為上班時(shí)間出現(xiàn)量小，符合工作日出行規(guī)律。工作日曲線SVM和PSO?SVM相比BP神經(jīng)網(wǎng)絡(luò)與原始數(shù)據(jù)更為接近。圖6為休息日模型預(yù)測結(jié)果，三種曲線與原始數(shù)據(jù)都十分接近，曲線呈現(xiàn)整體高峰趨勢，路口流量平穩(wěn)，這也是造成BP神經(jīng)網(wǎng)絡(luò)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(yōu)異，但是在部分時(shí)間點(diǎn)BP神經(jīng)網(wǎng)絡(luò)出現(xiàn)預(yù)測為負(fù)值，違反實(shí)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(yù)測分析中，PSO?SVM的預(yù)測精度明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，略優(yōu)于SVM方法，說明改良參數(shù)能起到良好的優(yōu)化效果。

4 結(jié) 論

本文通過空間相關(guān)分析中的Moran′I指數(shù)分析了南京市市區(qū)的載客量空間特性，并統(tǒng)計(jì)了載客量空間集聚區(qū)中主干道交叉口流量，利用粒子群算法簡單，算法收斂快，時(shí)間短的特點(diǎn)，結(jié)合支持向量機(jī)構(gòu)建了PSO?SVM模型，對南京市區(qū)載客集聚區(qū)域的主干道路交叉口的交通量做了模擬，從而對集聚區(qū)的擁堵問題做了有效的預(yù)測與監(jiān)督。研究結(jié)果表明南京市市區(qū)呈明顯單中心特點(diǎn)，空間集聚效果明顯，主要集中在南京市鼓樓區(qū)。采用模型對集聚區(qū)的道路模擬發(fā)現(xiàn)，三種模型相關(guān)系數(shù)都在0.7以上，具有良好線性相關(guān)性。PSO?SVM在預(yù)測誤差精度上有所提高，相較于BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的SVM方法分別提高了10%與1%，曲線與原始數(shù)據(jù)擬合度更高。通過本文研究能夠?yàn)槟暇┦谐鲎馄囆袠I(yè)、交通規(guī)劃部門和政府管理者提供有利的決策。

參考文獻(xiàn)

[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(yōu)化的SVR算法與BP網(wǎng)絡(luò)的比較研究[J].北京師范大學(xué)學(xué)報(bào)（自然科學(xué)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(yōu)化算法的支持向量機(jī)參數(shù)選擇及其應(yīng)用[J].控制理論與應(yīng)用，2006，23（5）：740?743.

[7] 翁鋼民，李凌雁.旅游客流量預(yù)測：基于季節(jié)調(diào)整的PSO?SVR模型研究[J].計(jì)算機(jī)應(yīng)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(shù)據(jù)的出租車出行特征分析[J].交通運(yùn)輸系統(tǒng)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(zhì)量空間差異研究：以廣東省廣寧縣為例[J].資源科學(xué)，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(shí)空分布特性研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2014，14（1）：221?228.