高速公路短时交通流量组合预测方法研究.pdf

上传人:赵** 文档编号:46680187 上传时间:2022-09-27 格式:PDF 页数:83 大小:3.38MB
返回 下载 相关 举报
高速公路短时交通流量组合预测方法研究.pdf_第1页
第1页 / 共83页
高速公路短时交通流量组合预测方法研究.pdf_第2页
第2页 / 共83页
点击查看更多>>
资源描述

《高速公路短时交通流量组合预测方法研究.pdf》由会员分享,可在线阅读,更多相关《高速公路短时交通流量组合预测方法研究.pdf(83页珍藏版)》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。

1、 高速公路短时交通流量组合预测方法研究 重庆大学硕士学位论文(学术学位)学生姓名:魏方强 指导教师:余楚中 副教授 专 业:交通信息工程及控制 学科门类:工学 重庆大学自动化学院 二 O 一三年四月 Study on Combination Forecast Method of Short-term Traffic Flow for Freeway A Thesis Submitted to Chongqing University in Partial Fulfillment of the Requirement for the Masters Degree of Engineering B

2、y Wei Fangqiang Supervised by Associate Prof.Yu ChuZhong Specialty:Traffic Information Engineering and Control College of Automation of Chongqing University,Chongqing,China April 2013 中文摘要 I 摘 要 对高速公路交通状态的整体变化趋势进行有效把握,是对高速公路运营进行有效管理,防止交通拥堵的必要前提。高速公路交通流量预测是其中难度较大的核心问题,但现有预测方法的精度普遍不足,因此,交通流量预测方法研究近年受到

3、广泛关注。通过改进预测方法从而提高流量预测的精度,对于改善高速公路交通管理水平具有重要意义。本文在对高速公路交通流特性进行深入分析的基础上,分别从高速公路交通流分车型的车流规律性、相似性及多断面的相关性出发,对高速公路短时交通流量预测方法的改进进行研究,提出了一种短时交通流量的组合预测方法。具体研究工作围绕分车型的交通流量预测、基于多断面相似性的交通流量预测、组合预测及实证分析三个方面展开:分车型的交通流量预测方法。首先对分车型进行流量预测的出发点进行阐述,其次进行车辆折算系数的确定,然后根据不同车型每天的交通流量波动情况差异,将小客车、中型车、大型车和拖挂车这四种车型分成两类,采用改进的时间

4、序列算法对大型车和拖挂车的流量进行预测,利用二次指数平滑法对小客车和中型车的流量进行预测,最后通过车辆折算系数将各车型流量预测结果进行加权求和,得到总车流量预测结果。基于多断面相似性的交通流量预测方法。首先利用路段的最高限速和车检器的采样周期并结合各断面之间的距离进行相邻多断面的选取,其次根据预测断面和选取的多个相邻断面以及它们之间的互通收费站的车流量数据,建立关于流量的多维时间序列,最后给出一种相似性的匹配模式和改进的相似性度量方法,并利用多维时间序列的相似性对总车流量进行预测。组合预测方法的建立及实证分析。首先通过最优组合预测方式对上述两种预测方法进行组合,其次选取几个常用的预测评价指标建

5、立一个模糊综合评价模型,最后通过渝武高速公路微波车检器采集的实测交通流量数据对该组合预测方法与其它预测方法进行了对比实验,并对各种预测方法的预测效果进行了分析和模糊评价。实验结果表明,无论在工作日还是节假日,本文所提出的组合预测方法均具有更好的预测效果,能够进一步提高短时交通流量预测的精度。关键词:关键词:交通流,短时预测,分车型,相似性,模糊综合评价 重庆大学硕士学位论文 II 英文摘要 III ABSTRACT To grasp the whole change trend of the freeway traffic state effectively,is the prerequisi

6、te of freeway management and prevent the traffic get worse.The traffic flow forecast of freeway is one of the core issue,but the accuracy of the existing forecast method is not enough,so the forecast method of traffic flow received widespread attention.To increase the accuracy of traffic flow foreca

7、st though improve the forecast method is of great importance for ameliorate the level of freeway management.On the base of analyse the traffic flow characteristics of freeway,research on the improvement of short-term traffic flow forecast method was carried out from the regularity of different types

8、 of car,similarity and the correlation of multiple sections,on this basis,a combination forecast method is proposed.The specific research work will be carried out around the following three aspects:Traffic flow forecasting method based on different types of vehicle.Primarily,the starting point of tr

9、affic flow forecasting method based on different types of vehicle is expounded,then the vehicle conversion coefficient is decided,and according to the difference of daily traffic flow fluctuation condition of different types of vehicle,the passenger car,middle-sized vehicle,oversize vehicle and trai

10、ler is divided into two categories,improved time series algorithm is used to forecast the traffic flow of oversize vehicle and trailer,and second exponential smoothing method is used to forecast the traffic flow of passenger car and middle-sized vehicle.Finally the traffic flow forecast results of e

11、ach type of vehicle are weighted sum through the vehicle conversion coefficient,then the total traffic flow forecasting results are obtained.Traffic flow forecasting method based on multiple sections and similarity.Primarily,the adjacent multiple sections is selected with the speed limit of road and

12、 the sampling period of vehicle detector as well as the distance between each section,then the multidimensional time series is established with the traffic flow data of forecasting section and the selected adjacent multiple sections as well as the toll station between them,finally,a similarity match

13、ing mode and improved similarity measure method is given,and the total traffic flow is forecasted using the similarity of multidimensional time series.Establishment of the combination forecast method and empirical analysis.Primarily,the aforementioned two kinds of forecasting method is combined thro

14、ugh the optimal 重庆大学硕士学位论文 IV combination,then a fuzzy comprehensive evaluation model is established with several evaluation indicators which are commonly used for forecasting,finally,empirical analysis is carried out for the combination forecasting method which proposed in this article and other co

15、mbination forecasting method with the actual measured data of YU-WU freeway,and the forecasting results of the two combination forecasting method is evaluated through the fuzzy comprehensive evaluation model.The experimental results show that no matter on weekdays or holidays,the combination forecas

16、ting method proposed in this article has better forecasting result,the accuracy of short-term traffic flow forecasting can be further improved.Keywords:traffic flow,short-term forecasting,different types of vehicles,similarity,fuzzy comprehensive evaluation.目录 V 目 录 中文中文摘要摘要.I 英文摘要英文摘要.III 1 绪论绪论.1

17、1.1 问题的提出问题的提出.1 1.2 国内外研究历史与现状国内外研究历史与现状.1 1.2.1 基于线性系统理论的预测方法.2 1.2.2 基于非线性理论的预测方法.4 1.2.3 基于知识发现的智能预测方法.4 1.2.4 基于组合方式的预测方法.6 1.3 课题的目的和意义课题的目的和意义.8 1.4 论文的章节安排及技术路线论文的章节安排及技术路线.8 1.5 小结小结.10 2 高速公路交通流特性分析高速公路交通流特性分析.11 2.1 交通流的连续性交通流的连续性.11 2.2 分车型的规律性分车型的规律性.11 2.3 时间域的相似性时间域的相似性.12 2.4 空间域的空间域

18、的相关性相关性.15 2.5 小结小结.16 3 分车型的短时交通流量预测分车型的短时交通流量预测.17 3.1 分车型进行流量预测的出发点分车型进行流量预测的出发点.17 3.2 车辆折算系数的确定车辆折算系数的确定.17 3.3 分车型的交通流量预测分车型的交通流量预测.19 3.3.1 大型车与拖挂车的流量预测.19 3.3.2 小客车与中型车的流量预测.25 3.4 小结小结.31 4 基于多断面相似性的短时交通流量预测基于多断面相似性的短时交通流量预测.33 4.1 相邻多断面的选取相邻多断面的选取.33 4.2 多维时间序列的建立多维时间序列的建立.35 4.3 多维时间序列相似性

19、多维时间序列相似性.36 4.3.1 相似性匹配模式.37 4.3.2 相似性度量方法.38 重庆大学硕士学位论文 VI 4.4 小结小结.41 5 组合预测方法的建立及实证分析组合预测方法的建立及实证分析.43 5.1 组合预测方法的建立组合预测方法的建立.43 5.1.1 组合预测方式的选取.43 5.1.2 权重的确定.44 5.2 实证分析实证分析.44 5.2.1 预测结果评价模型的建立.44 5.2.2 实验数据及实验方案设计.47 5.2.3 实验验证及预测结果分析.50 5.3 小结小结.64 6 总结与展望总结与展望.65 6.1 总结总结.65 6.2 研究展望研究展望.6

20、6 致致 谢谢.67 参考文献参考文献.69 附附 录录.73 A.作者在攻读学位期间取得的科研成果目录作者在攻读学位期间取得的科研成果目录.73 1 绪论 1 1 绪 论 1.1 问题的提出 近年来,随着社会经济的持续发展以及城市建设的逐步完善,人们往返于城市之间的节奏日趋频繁,行驶在城际高速公路和环城高速公路上的车辆也越来越多,导致高速公路上的道路拥堵情况愈加严重,由此所引发的交通事故、能源浪费、环境污染等问题也日趋恶化。不同于城市道路,高速公路的车辆一般行车速度都比较快,因此一旦发生交通事故往往将造成严重的后果,且事故的影响时间一般都较长,并极易引发二次交通事故。据中国道路交通安全蓝皮书

21、的统计数据1显示,近年来,我国高速公路交通事故死亡人数占道路交通事故死亡总数的比例呈现出明显的上升趋势;此外,由于高速公路上支路少,因此一旦发生交通拥堵或交通事故时,车辆将迅速排成长队,并产生大量的汽车尾气,据有关资料显示,一辆轿车每年排出的有害废气比轿车自重大三倍2,这将对空气质量造成严重的影响。随着一些节假日高速公路免收过路费政策的出台,高速公路上的道路交通拥堵及交通安全形势将变得越加严重,因此如何利用现有的信息和资源对上述问题进行有效解决,防止势态恶化从而保证高速公路的畅通有序运行,成为目前高速公路管理部门亟待解决的问题。高速公路交通拥堵日趋加剧和交通事故频发的根本原因主要有两方面,一方

22、面是高速公路交通管理部门缺乏对路网交通状态变化趋势的整体把握,因而无法进行有效的交通管控和疏导;另一方面在于出行者不清楚实时路况的变化,盲目驾驶从而导致交通拥堵的发生。而准确把握交通状态和实时路况变化趋势的关键在于对交通流量变化趋势的有效预测,因此要实现对高速公路的有效管理,减少交通拥堵和交通事故的发生,其重点在于对高速公路交通流量的准确预测。对于交通流量的预测现已成为智能交通领域的一个研究热点,准确的预测结果不仅能够为交通管理部门进行交通管制提供决策和支持,同时也能够为出行者提供有效的路径诱导服务,因此如何选用合适的预测方法从而提高流量预测的精度,具有十分重要的意义,本文将对此进行深入研究。

23、1.2 国内外研究历史与现状 交通流量预测一直是智能交通领域的一个研究热点,从上世纪中叶开始,国外就已经有学者利用其它领域的一些预测方法对短时交通流量进行预测,大约在上个世纪八十年代,我国一些学者也相继开始在交通流领域进行深入研究,迄今重庆大学硕士学位论文 2 为止,国内外已经出现了许多较为成熟的短时交通流量预测方法。这些预测方法大致可以分为以下几类:基于线性系统理论的预测方法、基于非线性理论的预测方法、基于知识发现的智能预测方法及基于组合方式的预测方法,下面将分别对这些方法进行介绍。1.2.1 基于线性系统理论的预测方法 基于线性系统理论的预测方法主要有指数平滑法、时间序列法、灰色建模预测法

24、及基于卡尔曼滤波理论的预测方法等。指数平滑预测法是一种常用的预测方法,它是对移动平均预测法的改进,指数平滑预测法认为不同时刻的历史数据对未来时刻预测结果的影响程度不同,因此引入了一个平滑系数,通过平滑系数不断修正预测误差,从而实现滚动预测,该方法不仅考虑了各个时刻数据的重要性,而且用到了全部的历史数据;时间序列预测法通过时间先后顺序将历史数据排列成一个有序的序列,通过分析该序列随时间变化的演化规律,从而建立相应的数学模型进行预测;灰色建模预测法是基于灰色系统理论的一种预测方法,灰色理论认为系统的行为尽管是模糊的,数据也是复杂的,但其变化始终是有序的,灰色建模预测法通过对历史数据序列进行加工和处

25、理,建立灰色预测模型,通过对该模型预测结果的反变换得到实际预测值;基于卡尔曼滤波理论的预测法采用由观测方程和状态方程组成的线性随机系统的状态空间模型来描述滤波器,并利用状态方程的递推性,按线性无偏最小均方误差估计准则,采用一套递推算法对该滤波器的状态变量作最佳估计,从而得到滤掉噪声后的有用信号的最佳估计。1984 年,Iwao Okutani3等提出了一种基于卡尔曼滤波理论的短时交通流量预测模型,通过最近几次预测的误差对模型参数进行动态调整,并以名古屋市某路段的实测交通流量数据对该预测模型进行了实验验证,实验结果表明该预测模型的平均绝对百分误差小于 9%,且最大绝对百分误差小于 30%。199

26、4 年,A.G.Hobeika4等基于回归分析建立了短时交通流量预测模型,该预测模型同时考虑了目标断面当前时刻、目标断面历史时刻以及目标断面上游当前时刻的流量数据,并采用启发式自适应权重的方法进行了权重分配,最后以纽约市长岛高速公路 1993 年 6 月中 22 天工作日的实测流量数据(采样周期为15min)对该预测模型进行了实验验证,结果表明该预测模型在进行高峰时期的交通流量预测时效果较好,其平均绝对百分误差约为 6%。2003 年,Billy M.Williams5等在分析了以往短时交通流量预测存在的不足的基础上,提出了基于周期性的 ARIMA 预测模型。并分别以英国伦敦市 M25 环城高

27、速公路和美国亚特兰大市I-75高速公路的实测流量数据(采样周期为15min)对预测模型进行了实验验证,并利用平均绝对百分误差(MAPE)对预测结果进行1 绪论 3 了评价,实验结果表明该预测模型能够有效提高短时交通流量的预测精度,其MAPE 仅为 8.6%。2004 年,徐今强6等采用时间序列模型对短时交通流量进行了预测。首先通过对实测的交通流非平稳时间序列进行差分变换及标准化处理,从而将其转化为标准正态的平稳时间序列,然后分别采用极大似然估计法和 AIC 准则进行了模型参数的估计和模型定阶。最后对 2003 年 3 月 21 日珠海市某主干道的实测交通流量数据(采样周期为 5min)进行了实

28、验验证,结果表明该 ARMA 模型能够较好地拟合交通流时间序列,并可获得较高的中短期预测精度。2006 年,王均7等结合城市环路的交通运行特性,构建了基于卡尔曼滤波的交通流短时预测模型,并用北京市三环路上 19 个检测器的实际数据(采样周期为 2 分钟)对预测模型进行了实验验证,其中,对第 1 个检测器流量预测的平均绝对百分误差为 13.34%,对所有检测器流量预测的平均绝对百分误差为 12.07%。2008 年,LI Zhi-Peng8等利用改进的自适应指数平滑法,分别对某城市主干道正常交通状态和异常交通状态下的行程时间进行了预测,并与非参数回归算法、ANN 算法和 ARIMA 算法的预测效

29、果进行了对比,在正常交通状态下,其平均绝对百分误差分别为:9.11%、11.04%、11.9%和 9.24%,在异常交通状态下,其平均绝对百分误差分别为:8.06%、22.45%、13.69%和 11.31%,结果表明无论在正常或异常交通流状态下,改进的自适应指数平滑法的预测效果较其他三种算法均要好。2009 年,蔡岩9等针对以往的 GM(1,1)预测模型没有考虑上下游交通流之间相关性的不足,在建模时引入了上下游断面的交通流量,在此基础上提出了多维灰色预测模型 MGM(1,N),并利用 Federal Highway Administration 提供的Peachtree 路 1l 号路段 2

30、006 年 11 月 7 号 l 点到 2 点的交通流数据(采样周期为15min)建立了 MGM(1,4)模型,并分别对该预测模型和 GM(1,1)进行了实验验证,其平均相对误差分别为 14%和 30.4%,结果表明考虑了上下游断面的 MGM(1,N)预测模型效果比以往的 GM(1,1)预测模型的预测效果要好。2011 年,贾学力10等通过对实际道路交通信息的分析并结合指数平滑预测方法,提出了符合实际交通情况的分段二次指数平滑模型,该模型首先根据某城市一天内各时段的交通拥堵情况得出平滑系数表,再通过二次指数平滑模型对交通信息进行短期预测。该方法充分考虑到了交通道路信息的实际情况,提高了交通信息

31、短期预测的合理性,并以上海市某路段的实测交通数据(采样周期为 5min)进行了仿真实验,结果表明利用该方法进行短期交通流预测时,其平均绝对相对误差小于 30%。重庆大学硕士学位论文 4 1.2.2 基于非线性理论的预测方法 基于非线性理论的预测方法主要有基于混沌理论的预测法和基于小波分析的预测法等。基于混沌理论的预测法主要以混沌理论、分形理论、自组织理论等非线性系统理论为基础,利用相关的混沌吸引子概念、分形概念及相空间重构方法等简历预测模型,通过该预测模型进行预测;基于小波分析的预测法是对一个已知的时间序列和选定的尺度函数、小波函数及其对应的分解系数序列、重构系数序列进行多尺度的分解,得到一个

32、基本时间序列信号和一组干扰信号,然后利用其它预测方法对分解后的近似信号和干扰信号进行预测,将分解信号及相应的预测结果利用重构算法得到原尺度的信号及其预测结果。2008 年,刘驰11等基于小波变换理论,对短时交通流量的预测进行了研究。利用小波分解和重构的方法,并抽取了交通流量数据中的高频随机部分以及低频近似部分,然后分别选取时间序列模型和 RBF 神经网络模型对其低频近似部分和高频随机部分进行了预测,从而构建了短时交通流量预测模型。最后,利用广州市某交叉路口的实测交通流量数据(统计时间间隔为 2min)对该预测模型进行了仿真实验验证,结果表明该预测模型的平均绝对误差和均方误差分别为 3.06和

33、16.8。2010 年,王科伟12等针对道路断面的短时交通流量序列的混沌特性进行了分析,并利用相空间重构的方法对流量数据的多维时间序列数据进行了重构,在此基础上,提出了基于混沌理论的断面短时交通流预测模型,同时采用粒子群优化算法对预测模型的参数进行了优化选择,最后利用某城市快速路的实测交通流量数据(采样间隔为 2min)对该预测模型进行了实验验证,结果表明该预测模型的平均绝对百分误差为 16.24%。1.2.3 基于知识发现的智能预测方法 基于知识发现的智能预测方法主要包括基于神经网络的预测法、基于支持向量机的预测法、基于相似性的预测法和非参数回归预测法等。基于神经网络的预测法以神经网络算法为

34、基础,该方法主要是对大脑神经网络结构和功能的一种模拟,通过对大量历史数据的训练和学习,从而建立一种输入和输出之间的函数映射关系;基于支持向量机的预测法是在统计学理论的基础上发展起来的一种机器学习方法,该方法能够较好地解决小样本、非线性和高维模式识别等实际问题,有效克服了神经网络学习方法中网络结构难以确定、过学习与欠学习以及训练时需要大量数据样本等问题;基于相似性的预测法主要是利用交通流的周期相似性,利用历史数据库中与预测当天交通流变化趋势最相近的一天或几天进行流量预测,非参数回归预测法从本质上讲也属于基于相似性的预1 绪论 5 测方法。1991 年,Gary A.Davis13等在回顾了利用传

35、统的非参数回归算法进行短时交通流预测不足的基础上,提出了 K 近邻非参数回归预测算法,最后利用华盛顿州某两个村庄之间的固定线圈所采集到的交通流数据进行了实验验证,并与单变量的时间序列预测方法进行了对比,结果表明当选择合适的 K 值时,K 近邻非参数回归预测算法的预测精度更高,而且随着历史数据库的增大该算法的预测精度会增加。1999 年,R.Yasdi14建立了基于 BP 神经网络的交通流量一步预测模型。利用实际采集到的交通流量数据建立了六种交通模式的历史数据库,并从历史数据库中寻找出与预测时段交通状态最相似的数据来训练神经网络,然后将实测数据(采样周期为 15min)作为输入变量对该预测模型进

36、行了实验验证,并分别进行了短期(一小时)、中期(一天)和长期(一周)的交通流量预测,结果表明该预测模型在不同尺度下的均能获得较好的预测效果。2001 年,Hussein Dia15提出了一种面向对象的神经网络预测算法,并将其应用于实际的交通流预测中。利用该预测算法对昆士兰某高速公路的速度和行程时间两个交通参数进行了短时预测,结果表明在进行 5 分钟的速度预测时,其精度可达到 90%至 94%,进行 15 分钟的行程时间预测时,其精度可达到 93%至 95%,从而为有效提高交通流量的预测精度提供了可能。2007 年,胡佩峰16等针对城市道路交通流量的周相似特性,对实时采集的流量与历史流量进行对比

37、分析,利用均方根误差法确定权重,并采用指数平滑方法对权重进行修正,在此基础上提出了一种实时的交通量预测模型,最后以无锡市某交叉路口 2005 年 7 月 11 日至 7 月 18 日的实测交通流量数据(采样周期为5min)对该预测模型进行了实验验证,结果表明该预测模型具有较好的预测效果,对异常数据的抗干扰能力较强。2008 年,王彦杰17等针对传统的 K 近邻非参数回归预测方法在进行交通状态预测时的不足,在进行状态向量选取时采用主成分分析方法,并结合基于斜率表示的相似性度量方法,提出了改进的非参数回归预测方法,最后以 2006 年 10月 31 日至 12 月 28 日厦门市仙岳隧道处的线圈检

38、测器所采集到的实测交通流量数据(采样时间间隔为 15min)对该方法进行了实验验证,结果表明改进后的非参数预测方法的平均相对误差为 33.2%,比改进前的方法提高了 17.7%。2008 年,温慧英18等结合交通流变化的时间序列特性,从嵌入维数、参数的选取以及核函数三个方面对基于 SVM 的交通流预测方法进行了改进,该预测方法能够有效克服神经网络预测方法的不足,并以广州市某主干道 2006 年 11 月15 日至 11 月 19 日的交通流量数据为基础(统计时间为 15min)进行了仿真实验,重庆大学硕士学位论文 6 结果表明改进的预测方法预测效果较好,其平均相对误差约为 15%。1.2.4

39、基于组合方式的预测方法 基于组合方式的预测方法是对两种或两种以上预测方法的组合,通过对各单项预测方法进行优势互补,克服单一预测方法的不足,从而有效提高最终的预测效果。1996 年,Maschavan der Voort19等将神经网络与 ARIMA 相结合,建立了短时交通流量组合预测方法,利用该方法对神经网络进行时,考虑了上下游断面之前的相关性,将目标断面和上游三个相邻断面的流量作为输入,最后利用该方法对法国某高速公路的历史交通流量数据进行了半小时和一小时的预测,结果表明该方法比单纯利用神经网络方法或 ARIMA 模型有更高的预测精度。2004 年,R.Chrobok20等将基于启发式学习模式

40、的预测方法和基于线性理论的模型进行了组合,并将其应用于短时交通流的预测,在利用启发式学习模式进行预测时,将历史数据分为周一至周四、周五、周六、周日及节假日这四种模式,并以杜伊斯堡市某路段的 350 个固定线圈车检器两年的流量数据对该组合预测方法进行了实验验证,结果表明两种预测方法能够优势互补,从而获得更好的预测结果。2007 年,Yuanchang Xie21等利用卡尔曼滤波和离散小波变换建立了短时交通流量的组合预测方法,首先通过小波变换对原始的流量序列进行消噪,再利用卡尔曼滤波方法对其进行预测,最后利用 2005 年 6 月 4 日至 7 月 3 日西雅图市某路段的四个线圈车检器每天凌晨 4

41、 点至晚上 11 点检测到的四组流量数据对该组合预测模型进行了实验验证,并与直接不进行小波变换的卡尔曼滤波方法和历史平均法进行了对比,利用平均绝对百分误差(MAPE)和均方根误差(RMSE)这两个指标对预测结果进行了评价,实验结果表明该组合预测方法比历史平均法和不进行小波变换的卡尔曼滤波方法的预测效果要好。2007 年,姚智胜22等利用小波分析在对非平稳和非线性的随机信号进行处理时的所具有的优势,和支持向量机在解决样本量较小、非线性以及高维模式识别问题中所具有的优势相结合,提出了基于最小二乘 SVM 和小波包的短时交通流量组合预测方法,并以 2002 年 6 月 3 日至 6 月 7 日上午

42、7 点的数据(统计时间间隔为 2min)作为训练数据,利用该组合预测方法对 6 月 7 日上午 9 点至 11点的流量进行了预测,结果表明该组合预测方法的平均绝对误差和平均绝对相对绝对误差分别为 15.36 和 11.09%,具有较好的预测精度。2008 年,杜长海23等将马尔科夫链理论与 BP 神经网络相结合,提出了一种交通流的实时滚动预测方法 TDFNM,该方法利用 BP 神经网络建立交通流的基准预测曲线,使用 SOM 网络对马尔科夫链状态的残差进行划分,并计算各个状1 绪论 7 态的加权中心以及状态转移概率矩阵,以此实现对交通流量的预测,然后利用加权中点对预测结果进行修正从而得到精度更高

43、的预测值,同时能够进行实时的动态预测,最后利用 2005 年 11 月 14 日至 16 日重庆市菜园坝至上清寺路段某断面车检器每天早上 7 点至晚上 7 点的实测数据对该组合预测模型进行了实验验证,结果表明其预测的平均绝对百分误差分别为 7.58%、9.13%和 8.39%,具有较高的预测精度。2008 年,聂佩林24等针对单一预测模型性能不稳定的问题,提出了基于约束卡尔曼滤波的短时交通流量组合预测模型。该模型通过约束卡尔曼滤波方程进行递推得到各单一预测模型的权重,选取单一预测模型的权重作为状态变量,交通流量作为状态观测变量,其预测结果为各单一模型预测结果的加权求和,最后通过广深高速公路上

44、2006 年 5 月 9 日至 2006 年 5 月 23 日每 5 分钟、10 分钟和15 分钟统计时间间隔的交通流量数据,对该组合预测模型及各单一预测模型进行了对比实验。结果表明该组合预测模型的平均绝对百分误差分别约为 19%、14%和 16%,与单一预测模型相比,该组合预测模型的预测效果更佳或与其持平,且稳定性更高。对国内外交通流量预测方法的总结如下:基于线性系统理论的预测方法在交通流相对平稳的情况下,其预测效果较好,但在交通流波动较大时的预测效果相对较差;基于非线性理论的预测方法具有一定的适用性,例如混沌预测方法,当交通流变化不具有混沌特性时,其预测精度较低;基于知识发现的的智能预测方

45、法大多需要进行学习和训练,对样本数据的要求较高,而且多采用离线方式建模,模型一旦建立无法根据实际的道路交通流变化进行自适应调整,当模型的预测结果产生较大误差时需要重新进行学习和训练。组合预测方法能够充分发挥各单一预测方法的优势,从而获得比单一预测模型方法的预测结果,然而以往的组合预测方法大多都只考虑了单断面的交通信息,忽略了多个相邻断面之间的相关性以及断面之间的互通收费站进出站车流量的影响。大多数学者在进行短时交通流量预测时,没有考虑车型的影响因素,直接对不同车型所组成的混合交通流进行预测,然而由于混合交通流的不确定性和随机性较强,因此往往很难获得较高的预测精度;而且由于不同车型对道路的占用情

46、况不一样,直接对各车型简单相加的总车流量进行预测并不能很好地反映实际的道路交通状况。重庆大学硕士学位论文 8 1.3 课题的目的和意义 本文针对现有交通流量预测方法的不足,在对高速公路交通流的特性进行深入分析的基础上,从交通流分车型的规律性以及交通流在时间域上的相似性和空间域上的相关性出发,提出了两种适合高速公路短时交通流量预测的方法,并对这两种预测方法进行了最优组合,其目的在于有效提升高速公路短时交通流量预测的精度,改善预测效果。具体的研究意义主要体现在以下三个方面:由于不同车型的车辆对道路的占用情况不一样,因而直接对各车型流量简单相加的总车流量进行预测的意义不大,通过选取适当的标准车型和车

47、辆折算系数,将各车型折算为标准车型,对各车型折算后相加的总车流量进行预测,其预测结果能够更好地反映实际的道路交通状况。针对单一车型交通流变化所具有的规律性,采取适宜的算法进行分车型的流量预测,预测效果将更加理想。同时,结合交通流在时间域上的相似性和空间域上的相关性,利用多断面的相似性进行流量预测,能够更加充分地利用历史交通信息,从而获得较好的预测效果。由于组合预测方法能够充分发挥各单项预测方法的优势,并得到优于单项预测方法的预测效果,因此将上述两种预测方法进行最优组合能够有效提升高速公路短时交通流量的预测效果和精度。利用所获得的流量预测结果能够为高速公路交通管理部门进行交通管制和路径诱导提供帮

48、助,从而避免出行者因盲目驾驶导致道路上的车流分布不均,引发局部路段发生交通拥堵甚至交通事故,此外,由于交通流量预测的结果实质上是一堆数据,因而对这些预测结果进行多维数据分析和数据挖掘,能够为研究道路交通状态的演化规律提供数据支撑。1.4 论文的章节安排及技术路线 本文在深入分析和总结了现有的交通流量预测方法的基础上,根据高速公路交通流的特性,提出了一种新的短时交通流量组合预测方法。各章节的安排如下:第一章 绪论。阐述了课题的研究背景和意义,对国内外关于交通流量预测的研究历史和现状进行了分析和评述,指出了现有研究存在的不足,并给出了本文的主要研究内容及技术路线。第二章 高速公路交通流特性分析。针

49、对高速公路交通流的特性进行了分析,包括交通流的连续性、分车型的规律性以及交通流在时间域上的相似性和空间域上的相关性,并此基础上,引出了本文所采用的两种短时交通流量预测方法,即分车型的短时交通流量预测方法及基于多断面相似性的交通流量预测方法。第三章 分车型的短时交通流量预测。首先对分车型进行流量预测的出发点进行了阐述;其次利用不同车型每天的流量波动情况差异,将小客车、中型车、1 绪论 9 大型车和拖挂车分为了两类:一类是流量变化相对平稳的大型车与拖挂车,另一类是流量波动较大的小客车与中型车,并分别选取了改进的时间序列算法和二次指数平滑法对其流量进行了预测;最后通过适当的车辆折算系数将各车型流量预

50、测结果进行加权求和,从而得到总车流量的预测结果。第四章 基于多断面相似性的短时交通流量预测。首先从预测断面上游选取了与之相关的多个相邻断面,利用预测断面与选取的多个相邻断面以及它们之间的互通收费站的流量数据建立了多维时间序列;其次定义了一种多维时间序列相似性的匹配模式,从历史数据库中初步筛选出与预测当天交通流变化最相似的几天,再利用改进的欧氏距离度量方法分别计算了这几天与预测当天流量变化趋势的相似度,并以相似度计算结果作为对应天的权重,最后通过对这几天未来时刻流量值的加权求和对预测当天未来时刻的总车流量进行预测。第五章 组合预测方法的建立及实验验证。首先利用最优组合方法将分车型的交通流量预测方

展开阅读全文
相关资源
相关搜索

当前位置:首页 > 教育专区 > 高考资料

本站为文档C TO C交易模式,本站只提供存储空间、用户上传的文档直接被用户下载,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有。本站仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私,请立即通知淘文阁网,我们立即给予删除!客服QQ:136780468 微信:18945177775 电话:18904686070

工信部备案号:黑ICP备15003705号© 2020-2023 www.taowenge.com 淘文阁