基于相关向量机和模糊综合评价的路况预测模型

摘要

为了缓解交通拥堵、道路服务水平低、市民出行效率低等问题,提出基于相关向量机和模糊综合评价的路况预测模型.利用遗传算法和粒子群算法作为参数寻优算法,优化组合核相关向量机.基于Spark并行化参数寻优算法,提高模型的训练效率.提出基于Spark并行化的遗传算法和粒子群算法,优化组合核相关向量机(SP-GAPSO-CKRVM).使用SPGAPSO-CKRVM对车流量和车速进行预测,利用预测结果计算3个交通路况评价参数:平均车速、路段饱和度和交通流密度.将3个参数输入到模糊综合评价模型中,通过熵值法确定高峰时段和平常时段的各指标权重系数,将路况划分为6个等级.使用加拿大Whitemud Drive公路的真实数据进行验证,证明了该模型与传统方法相比具有更高的预测精度和扩展性,路况预测准确率达到90.28％.