1.一种基于PSO与神经网络串联优化的道路通行时间预测方法，其特征在于包含以下步骤：步骤一：道路阻抗函数为

其中，t为车流经过路段所需要的时间；t0为车流经过路段的自由通行时间；Q总表示路段总交通量，Q大表示路段上大型车交通量，Q中表示路段上中型车交通量，C表示路段上的通行能力；a1、a2、a3、β1、β2、β3为待定参数；

Q总与Q中、Q大的关系如下式所示

Q总＝Q小+ρ·Q中+μ·Q大

其中，Q小表示路段上标准小客车交通量；ρ表示中型车折算为标准小汽车的系数，μ表示大型车折算为标准小汽车的系数；

步骤二：基于PSO对道路阻抗函数参数进行标定；

2.1采集道路交通量与行驶时间信息；

所述2.1具体为

为了标定道路阻抗函数中各参数的取值，利用区间观测法在道路两交叉口分别安置一个摄像机，两交叉口之间无其它交叉路段，被调查道路车辆没有中途掉头的情况下，两台摄像机拍摄的车辆数是相同的，统计任意一个摄像机拍摄结果即可以得到各车型的交通量；

同时利用车牌辨识车辆，两个摄像机同时工作，在摄像机1出现的车辆，在摄像机2再次出现时，记录两个摄像机之间的时间差从而得到车辆的行驶时间；

2.2道路阻抗函数变型；

所述2.2具体为

根据2.1得到N个样本，每个样本包含大型车交通量数、中型车交通量数、小型车交通量数、该种道路情况下的行驶时间；

通过求解下式的最小值来标定各参数的取值：

0

0<β1、β2、β3≤10

其中，j表示第j个实验样本，总共包含N个样本；Qj总表示第j个实验样本的总交通量；Qj中表示第j个实验样本的中型车的交通量数；Qj大表示第j个实验样本的大型车的交通量数；tj表示第j个实验样本的实际观测行程时间；

表示第j个实验样本的预测行程时间；

为第j个样本的相对误差，

y为目标函数表示平均相对误差；为了更好的使用PSO算法进行搜索，对参数a1、a2、a3、β1、β2、β3分别使用经验值进行限定；

2.3基于PSO对阻抗函数参数进行标定；

所述2.3具体为

2.3.1随机初始化粒子群

假设D维空间中有n个粒子，每一个粒子的位置为xi＝(xi1,xi2,xi3,…,xiD)，每一个粒子的速度为vi＝(vi1,vi2,vi3,…,viD)，其中i＝1,…,n；

阻抗函数中六个待定参数为a1、a2、a3、β1、β2、β3，根据未知数的个数确定维度D为6，粒子数n取40，已知a1、a2、a3的范围在0与5之间，β1、β2、β3的值的范围在0与10之间，即0≤xi1≤5、0≤xi2≤5、0≤xi3≤5、0≤xi4≤10、0≤xi5≤10、0≤xi6≤10、0≤viD≤1；初始化种群时分别产生40个六维向量作为各个粒子初始位置与各个粒子的初始速度；

2.3.2粒子适应度值的计算

为了寻找最小平均相对误差y下的参数a1、a2、a3、β1、β2、β3的值，利用粒子群算法搜索适应度函数的最小值；

2.3.3粒子个体最优向量Pi与全局最优向量pg的更新粒子i每一次迭代后将会产生一个xi，将xi带入到适应度函数中将会得到一个适应度值，粒子i所有经过的位置中选出一个适应度最小的作为个体最优向量pi，pi＝(pi1,pi2,…piD),i＝1,…,n；从个体最优向量中选出一个适应度最小的作为粒子的全局最优向量pg，pg＝(pg1,pg2,…,pgD)，其中pg只有一个；

2.3.4粒子速度与位置的更新

每一个粒子速度都会在下次迭代中变化，变化规则主要依据当前速度、个体最优向量与全局最优向量三个部分决定；粒子速度与位置计算方法如下所示其中，学习因子c1、c2为非负常数，r1、r2是区间[0，1]上的随机数，为了防止粒子跳出解的搜索范围；k表示第k次迭代；ω表示惯性权重，它决定了一个粒子以前的速度保持了多少，为了防止速度更新公式受上一步速度影响较大而陷入局部最优，ω取0.7298；

2.3.5终止准则

反复执行2.3.2‑2.3.4的步骤，根据收敛曲线设置合适的迭代次数；

步骤三：基于BP神经网络对道路阻抗函数进行修正；

步骤四：通过修正后的道路阻抗函数计算得到路段的通行时间。

2.按照权利要求1所述的基于PSO与神经网络串联优化的道路通行时间预测方法，其特征在于：所述步骤一中，ρ取值为1.5，μ取值为2。

3.按照权利要求1所述的基于PSO与神经网络串联优化的道路通行时间预测方法，其特征在于：所述步骤三具体为

3.1确定一个修正系数zj，将路段通行时间的预测值乘以这个修正系数，提高阻抗函数的准确度；

3.2构件BP神经网络模型，选取只有一个隐含层的3层BP神经网络，利用BP神经网络确定修正参数zj的值，输入层元素为基于DPPSO标定阻抗函数求得的路段通行时间 输出层元素为修正参数zj的值。

4.按照权利要求3所述的基于PSO与神经网络串联优化的道路通行时间预测方法，其特征在于：所述3.1具体为为了进一步提高阻抗函数的准确度，引入参数zj，参数zj满足下式：其中，tj表示第j个样本的实际通行时间；为通行时间，表示第j个样本基于DPPSO标定阻抗函数求得的通行时间；zj为第j个样本的修正参数，第j个样本的修正参数zj等于第j个样本的实际通行时间tj与第j个样本的预测通行时间 的比值。

5.按照权利要求3所述的基于PSO与神经网络串联优化的道路通行时间预测方法，其特征在于：所述3.2具体为

3.2.1隐含层神经元数的确定

BP神经网络的输入层和输出层的神经元个数可以根据空间样本数据确定，隐含层神经元个数根据经验公式确定：式中，n1为隐含层神经元个数，n为输入层神经元个数，m为输出层神经元个数，a为[1,

10]之间的整数；故 即隐含层神经元个数n1是[3,12]之间的整数；

3.2.2数据的预处理

对训练样本数据进行预处理，将样本数据约束到区间[0.1,0.9]内，采用的预处理公式为y＝(ymax‑ymin)·(x‑xmin)/(xmax‑xmin)+ymin式中，y为样本元素预处理后的值，ymax为预处理后的最大值，ymin为预处理后的最小值，x为样本元素值，xmax为样本元素中的最大值，xmin为样本元素中的最小值；

3.2.3隐含层和输出层传递函数的选取

隐含层和输出层的函数分别选取logsig函数和purelin函数；

3.2.4训练算法的选取

采用自适应lr动量梯度下降法BP神经网络模型。