，，，(.山東科技大學 電氣與自動化工程學院,山東 青島 66590；.山東科技大學 交通學院,山東 青島 66590)

在智能交通研究領域中，無論是進行交通規(guī)劃，還是實施交通誘導與控制，都需要提供交通信息并對交通狀態(tài)進行動態(tài)估計。因此，對交通流量的預測一直是智能交通理論研究和工程應用的熱點。

目前，在交通流量預測的理論和方法已經(jīng)有許多研究成果，主要有基于統(tǒng)計理論的模型[1]、基于神經(jīng)網(wǎng)絡理論的模型[2]、基于動態(tài)分配理論的模型[3]、基于非線性預測理論的模型和基于交通模擬仿真的模型等[4]。常見的具體方法有：ARIMA法、歷史趨勢法、卡爾曼濾波模型、神經(jīng)網(wǎng)絡模型等。相關研究表明，單一模型或方法在預測精確性、快速性、動態(tài)反饋性、魯棒性或?qū)嵱眯缘确矫娓饔袃?yōu)缺點[5-7]。

1969 年，Bates等[8]首次提出組合預測方法，指出它能發(fā)揮各個模型的優(yōu)點，相互彌補缺陷，有效提高預測精度。此后，組合預測法一直是國內(nèi)外預測界研究的熱點課題，在智能交通預測領域也得到了廣泛應用。

目前較多的組合模型預測方法主要思想是應用各種智能算法，模擬人的思維機制來進行預測。這種組合方法雖然能提高預測精度，但往往以增加運算時間和提高算法復雜度為代價[9]。在實時性要求高或者缺少足量樣本的情況下并不適用。而實際的交通系統(tǒng)，因信息采集物理設備及覆蓋面的限制、外在環(huán)境的復雜性及不確定性等因素的影響，容易導致測量信息的不完整、實時性不高或信息量不足。因此，當只有小樣本或信息匱乏時，要得到實時的交通流量預測值，需尋找一種算法簡單又滿足精度要求的新方法。

信息熵因為完全建立在原始數(shù)據(jù)基礎上，可以充分利用樣本數(shù)據(jù)的顯性信息和隱性信息，解決小樣本或信息匱乏的問題。因此，提出基于信息熵原理，將熵權法(entropy weight method,EWM)用于短時交通流的組合預測并做了數(shù)據(jù)驗證。

1 常用交通流量組合預測法介紹

組合預測模型的數(shù)學描述通常為：

(1)

顯然，確定各預測模型的權重系數(shù)wi是組合預測的關鍵，常見的確定權重方法有以下幾種。

1.1 等權重組合預測法

1.2 用誤差最優(yōu)確定權重的組合預測法

該方法一般以組合預測的誤差最小為原則，如取絕對值誤差最小或方差最小等[10]，所取誤差不同則解出的權重也不同。

(2)

用該方法確定出的權重，較之等權重算法，可信度有所提高。但是單一的誤差指標并不能全面評價各獨立預測方法的優(yōu)劣，權重系數(shù)的算法有待完善。

1.3 基于各種智能算法的組合預測法

由于智能算法是目前的研究熱點，因此基于智能算法的各種組合預測法有很多。文獻[11]提出了基于貝葉斯與神經(jīng)網(wǎng)絡的組合預測方法，文獻[12]提出了基于粒子群的模糊神經(jīng)網(wǎng)絡交通流組合預測方法，文獻[13-14]提出了基于遺傳算法與神經(jīng)網(wǎng)絡的組合預測方法，文獻[15]研究了基于混沌的短時交通流預測模型，文獻[16-18]利用支持向量機算法分別與小波變換、卡爾曼濾波和組合核函數(shù)相結(jié)合的方法建立了組合預測模型。這些研究主要是將兩種或兩種以上智能算法進行組合優(yōu)化，從而建立組合預測模型。

以基于遺傳算法的組合預測法為例[19]，在確定權重系數(shù)時，以某種誤差最小為目標，需要進行初始化、編碼表示，遺傳算法循環(huán)執(zhí)行計算適應值、選擇復制和應用雜交和變異算子的步驟，直到算法找到一個能接受的解，或迭代了預置的次數(shù)。

該種組合預測法能充分發(fā)揮各獨立預測方法的優(yōu)勢，預測精度高，但有兩大劣勢：一是算法復雜，計算周期長，不能滿足實時預測的需要；二是需要大量的訓練樣本，在交通流量信息不完全時不適用。由于信息熵理論和模型可以充分利用樣本數(shù)據(jù)的顯性、隱性信息，解決小樣本或信息匱乏的問題，很好地彌補組合預測方法的缺點，因此，我們采用基于熵權法的組合預測模型。

2 基于熵權法的組合預測模型

2.1 熵權法基本原理

Shannon在1948年把熵概念引入到信息理論，用信息熵來對系統(tǒng)的不確定性進行量度。定義如下：

熵權法的基本思想是依據(jù)信息熵的概念和性質(zhì)，把各個獨立預測模型的多種誤差所包含的信息進行量化，利用此信息來確定各獨立模型在組合預測中所占的權重，進而建立基于熵權法的組合預測模型[20]。原理如下：

設有m種獨立子模型預測方法，n個誤差指標，則有指標矩陣：

(3)

(4)

定義第j個指標的權重為：

(5)

因為信息熵以原始數(shù)據(jù)為基礎，客觀性比較強，所以采用信息熵來確定組合預測模型中各個子模型的權重，不易受主觀因素的影響。

2.2 算法步驟

由于各獨立預測方法的誤差本身就隱含著該方法的諸多信息，因此，借用各個獨立預測方法的誤差指標信息熵，確定各個指標的權重，從而最終確定組合預測模型中各獨立預測方法的權重信息。在熵權法原理基礎上，設計了針對交通流參數(shù)的組合預測模型，算法流程如圖1所示。

圖1 基于熵權法的組合預測模型算法流程Fig.1 Algorithm steps of combination prediction model based on EWM

其中,指標矩陣按公式(3)的計算方法，仿真實驗中選取絕對百分比誤差作為誤差指標。與理想方案的貼近度計算公式如下：

(6)

熵值E表示第j個誤差指標對各預測方法的相對重要性的不確定度，根據(jù)Jaynes最大熵原理[21]，確定的指標綜合權系數(shù)應使Shannon信息熵取極大值。對于離散隨機變量，當其可能的取值等概率分布時，其熵達到最大值。因此，

(7)

(8)

則第j個指標的客觀權重：

(9)

各個獨立預測方法的權重計算：

(10)

最后，根據(jù)wi及式(1)，計算得到最終的組合預測值。

3 實證仿真實驗

算法采用MATLAB編程實現(xiàn)。為便于比較，采用文獻[19]中的樣本數(shù)據(jù)進行仿真，即煙臺市1990～1999年市內(nèi)公路交通綜合流量。文中給出了實際的交通流量值，以及三種獨立預測法的預測值和誤差，算法分別是遺傳參數(shù)算法、最小二乘法和神經(jīng)網(wǎng)絡法，分別記為f1、f2、f3, 數(shù)據(jù)值見表1所示。

在f1、f2、f3三種獨立預測結(jié)果的基礎上，用本研究提出的基于熵權法的組合預測模型，計算得到各模型所占的權重、組合預測值及誤差，如表2所示。其中w1、w2、w3分別表示f1、f2、f3在組合預測模型中所占的權重。

將表2中計算的誤差按年份分別與表1中的獨立預測法的值對比可知，基于熵權法的組合預測模型得到的預測值更接近實際值，誤差較小，說明該方法切實可行。

另外，為了與其他種類的組合預測模型比較，將基于熵權法的組合預測模型記為f5，文獻[19]中基于遺傳算法的組合預測模型記為f4，用兩種不同的組合模型分別計算預測值和誤差，結(jié)果如表3所示。

表1 單一算法的預測值和誤差Tab.1 Predicted value and errors of individual prediction algorithms

表2 基于熵權法的組合預測結(jié)果Tab. 2 Result by combination prediction model based on EWM

表3 兩種組合預測算法結(jié)果對比Tab. 3 Effect comparison of 2 combined prediction models

圖2 5種不同算法的預測值與實際值曲線Fig.2 Curve comparison of actual value with predicted value by 5 different algorithms

由三個表格數(shù)據(jù)對比可知，新模型f5的預測值平均誤差分別比單一模型f1、f2、f3預測誤差低11.24%、6.83%、4.46%；與基于遺傳算法的組合預測相比，雖然預測精度只提高了3.4%，但在算法的運行時間上具有明顯優(yōu)勢，說明新的模型較基于智能算法的組合模型計算更快。特別是在大量數(shù)據(jù)的預測上，能極大節(jié)省運算時間。

將5種算法的預測值與實際的綜合交通流量相比較，作交通流量曲線如圖2所示。

圖2直觀地給出了五種預測算法的效果。用實線表示的為交通流量的實際值，從預測值與實際值曲線的貼近度來看，算法f5，即基于熵權法的組合預測模型效果最優(yōu)，與實際值的誤差最小。

通過理論分析及實際仿真結(jié)果的驗證表明，基于熵權法的組合預測模型能發(fā)揮各獨立模型的優(yōu)勢，在較短時間內(nèi)給出較好的預測結(jié)果。

4 結(jié)論

本研究提出的基于熵權法的交通流組合預測模型，充分利用各個獨立預測方法所包含的顯性信息和隱性信息，相比其他幾種組合模型，尤其是復雜的智能算法組合預測，基于熵權法的交通流組合預測模型客觀性優(yōu)點突出，且計算簡單、實時性和實用性強，實證分析表明了該模型的有效性。

參考文獻：

[1]CHIEN S I，KUCHIPUDI C M.Dynamic travel time prediction with real-time and historic data [J].Journal of Transportation Engineering，2003，129(6):608-616.

[2]DOUGHERTY M.A review of neural networks applied to transport [J].Transportation Research Part C，1995，3(4):247-260.

[3]OKUTANI I，STEPHANEDES Y J.Dynamic prediction of traffic volume through Kalman filtering theory [J].Transportation Research Part B，1984，18(1):1-11.

[4]博貴.城市智能交通動態(tài)預測模型的研究及應用[D].廣州：華南理工大學，2014.

[5]楊春霞，符義琴，鮑鐵男.基于相似性的短時交通流預測[J].公路交通科技，2015，32(10):124-128.

YANG Chunxia，F(xiàn)U Yiqin，BAO Tienan.Short-term traffic flow prediction based on similarity[J].Journal of Highway and Transportation Research and Development，2015，32(10):124-128.

[6]SMITH B L，DEMETSKY M J.Traffic flow forecasting:Comparison of modeling approaches[J].Journal of Transportation Engineering，1997，123(4)，261-266.

[7]SMITH B L，WILLIAMS B M，OSWALD R K.Comparison of parametric and nonparametric models for traffic flow forecasting [J].Transportation Research Part C，2002，10(4):303-321.

[8]BATES J M，GRANGER C W J.The combination of forecasts [J].Operational Research，1969，20(4):451-468.

[9]康軍,段宗濤,唐蕾,等.高斯過程回歸短時交通流預測方法[J].交通運輸系統(tǒng)工程與信息,2015,15(4):51-56.

KANG Jun，DUAN Zongtao，TANG Lei，et al.A short term traffic flow prediction method based on Gaussian processes regression[J].Journal of Transportation Systems Engineering and Information Technology (Nature Science)，2015，15(4):51-56.

[10]高宏巖.融合移動信號流的高速公路交通擁擠預警與調(diào)控[D].青島：山東科技大學,2011.

[11]ZHENG W Z，LEE D H.Short-term freeway traffic flow prediction:Bayesian combined neural network approach[J].Journal of Transportation Engineering，2006，132(2):114-121.

[12]陳俊洵,程龍生.基于粒子群的模糊神經(jīng)網(wǎng)絡的短時交通流量組合預測[J].數(shù)學的實踐與認識，2014，44(22):177-184.

CHEN Junxun，CHENG Longsheng.Combined forecasting model of short-term traffic flow based on modied particle swarm optimizer and fuzzy neural network[J].Mathematics in Practice and Theory，2014，44(22):177-184.

[13]盧建中,程浩.改進GA優(yōu)化BP神經(jīng)網(wǎng)絡的短時交通流預測[J].合肥工業(yè)大學學報(自然科學版)，2015，38(1):127-131.

LU Jianzhong，CHENG Hao.Short-term traffic flow forecast based on modified GA optimized BP neural network[J].Journal of Hefei University of Technology(Nature Science)，2015，38(1):127-131.

[14]張琛,徐國麗.基于云遺傳的RBF神經(jīng)網(wǎng)絡的交通流量預測[J].計算機工程與應用，2014，50(16):216-220.

ZHANG Chen，XU Guoli.Prediction for traffic flow of RBF neural network based on cloud genetic algorithm[J].Computer Engineering and Applications，2014，50(16):216-220.

[15]劉力軍,李松,解永樂.短時交通流混沌預測模型的比較研究[J].數(shù)學的實踐與認識，2011，41(17):106-114.

LIU Lijun，LI Song，XIE Yongle.Comparative study on chaotic prediction model in short-term traffic flow[J].Mathematics in Practice and Theory，2011，41(17):106-114.

[16]陳旭梅,龔輝波,王景楠.基于SVM和Kalman濾波的BRT行程時間預測模型研究[J].交通運輸系統(tǒng)工程與信息，2012，12(4):29-34.

CHEN Xumei，GONG Huibo，WANG Jingnan.BRT vehicle travel time prediction based on SVM and Kalman filter[J].Journal of Transportation Systems Engineering and Information Technology，2012，12(4):29-34.

[17]徐娜,錢超.基于小波-SVR模型的短時交通量預測研究[J].公路交通技術，2015(4):141-145.

XU Na，QIAN Chao.Research on forecast of short-term traffic volume based on wavelet-SVR model [J].Technology of Highway and Transport，2015(4):141-145.

[18]BING Q，GONG B，YANG Z，et al.Short-term traffic flow prediction based on combined kernel function relevance vector machine model [J].Mathematical Problems in Engineering.2015(9):1-9.

[19]宋曰聰,胡偉,張濤.基于遺傳算法的交通流量組合預測研究[J].微計算機信息，2007，29:55-56.

SONG Yuecong，HU Wei，ZHANG Tao.Combined prediction research of city traffic flow based on genetic algorithm[J]，Microcomputer Information，2007，29:55-56.

[20]任敏,胡彧.熵權法和云模型下的物聯(lián)網(wǎng)魯棒性評估方法[J].自動化儀表，2015，36(5):60-63.

REN Min，HU Yu.Evaluation method based on entropy weight and cloud model for robustness of IOT[J].Process Automation Instrumentation，2015，36(5):60-63.

[21]JAYNES E T.Information theory and statistical mechanics [J].Physical Review，1957，106(4):620-630.