短時(shí)交通流預(yù)測(cè)與線路推薦研究.pdf

1、作為城市發(fā)展的重要環(huán)節(jié)，交通不僅是運(yùn)送人流、物流的重要通道，還是連接城市的重要紐帶。在眾多交通問(wèn)題的研究當(dāng)中，短時(shí)流量預(yù)測(cè)與路線推薦這兩個(gè)研究課題與我們的日常生活息息相關(guān)。本文將對(duì)交通領(lǐng)域的這兩個(gè)熱門(mén)課題展開(kāi)研究和討論。
　　短時(shí)交通流量研究方面，流量的預(yù)測(cè)是根據(jù)已有的交通流數(shù)據(jù)，在時(shí)刻t實(shí)時(shí)預(yù)測(cè)下一時(shí)刻t+△t以及以后若干時(shí)刻的交通流量。人們對(duì)短時(shí)交通流量進(jìn)行預(yù)測(cè)一般都是運(yùn)用自回歸模型(AR)，滑動(dòng)平均模型(MA)、歷史平均模型

2、(HA)和自回歸滑動(dòng)平均模型(ARIMA)等。而這些線性預(yù)測(cè)模型的計(jì)算復(fù)雜度較低，其模型本身未能反映交通流過(guò)程的不確定性和非線性，無(wú)法克服隨機(jī)干擾因素對(duì)交通流的影響。隨著預(yù)測(cè)時(shí)間間隔的縮短，這些模型的預(yù)測(cè)精度就會(huì)變得很差。近幾年人們對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)和學(xué)習(xí)方法進(jìn)行了大量研究，這些基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法雖然提高了預(yù)測(cè)效果，但只適用于單源數(shù)據(jù)且往往只在高速公路之類(lèi)具有比較穩(wěn)定的交通流環(huán)境下才能達(dá)到不錯(cuò)的效果。針對(duì)上述現(xiàn)有方法所存在的不足，

3、我們提出一種平面滑動(dòng)平均模型，該模型具有以下優(yōu)勢(shì):(1)它集成了個(gè)體自身流量模式和相似流量模式的特征來(lái)進(jìn)行預(yù)測(cè);(2)訓(xùn)練集大小要求很低;(3)它在對(duì)復(fù)雜的城市交通流預(yù)測(cè)之中比之前的流量預(yù)測(cè)方法具有更強(qiáng)的泛化能力。
　　交通路線推薦研究方面，最優(yōu)路徑規(guī)劃策略一直以來(lái)就是交通管理和控制研究的熱點(diǎn)問(wèn)題，限制于使用的領(lǐng)域和方法的不同，最優(yōu)路徑規(guī)劃的策略也不同。常用的經(jīng)典路徑規(guī)劃策略有A*算法、迪杰斯特拉(Dijkstra)算法、貝爾曼-

4、福德(Bellman-Ford)算法等。但是這些算法往往只利用了相互獨(dú)立的旅行時(shí)間向量，未考慮相鄰道路之間的關(guān)聯(lián)，因此其最終推薦的合理性值得商榷。針對(duì)上述問(wèn)題，我們提出一種道路捆綁模型，該模型利用相連道路之間的車(chē)輛行駛特征以及不同時(shí)段的道路通過(guò)時(shí)間對(duì)出行路線進(jìn)行預(yù)測(cè)，是解決該類(lèi)問(wèn)題的一種創(chuàng)新方案。
　　我們?cè)谡鎸?shí)的交通數(shù)據(jù)集上對(duì)提出的模型進(jìn)行了充分的實(shí)驗(yàn)來(lái)驗(yàn)證模型的性能。實(shí)驗(yàn)結(jié)果證明我們模型的預(yù)測(cè)和推薦的效果優(yōu)于已存在的其他方法，