城市路網(wǎng)交通預(yù)測模型研究及應(yīng)用.pdf

1、隨著城市經(jīng)濟(jì)的不斷發(fā)展和私家車的急速增多，傳統(tǒng)的交通模式在現(xiàn)代交通中遇到了越來越多的問題，如交通擁堵、空氣污染、交通事故等。采用不斷修建新道路的方法來緩解巨大的交通壓力已不切實(shí)際。為了應(yīng)對這些棘手問題，智能交通系統(tǒng)(IntelligentTransportationSystems，簡稱ITS)被引入到動(dòng)態(tài)交通管理中，而且得到了快速發(fā)展。結(jié)合信息技術(shù)和交通理論，智能交通系統(tǒng)被用于道路交通控制、交通誘導(dǎo)等各個(gè)方面。經(jīng)過近些年的應(yīng)用，在緩解交

2、通擁堵、提高出行效率等方面，ITS顯示出巨大的潛力。作為ITS的一個(gè)分支，交通預(yù)測在智能化管理和動(dòng)態(tài)控制中始終占有重要地位。對交通路網(wǎng)的動(dòng)態(tài)控制，依賴于短時(shí)/中時(shí)交通狀態(tài)預(yù)測的效果。對不同時(shí)間間隔的實(shí)時(shí)交通狀態(tài)的連續(xù)預(yù)測能力是交通管理系統(tǒng)提供動(dòng)態(tài)交通控制的必要需求。
　　 準(zhǔn)確的交通預(yù)測模型對于更好地分析路網(wǎng)交通狀況，規(guī)劃交通網(wǎng)絡(luò)和實(shí)現(xiàn)交通優(yōu)化控制策略都有十分重要的作用。近幾十年來，不同領(lǐng)域的研究者從各自的角度對交通預(yù)測的特性進(jìn)

3、行了分析，并建立了許多模型。本文以現(xiàn)有的交通預(yù)測模型為基礎(chǔ)，分析了多種主要模型的優(yōu)缺點(diǎn)，并提出了改進(jìn)的預(yù)測模型。采用兩種道路網(wǎng)絡(luò)的真實(shí)交通數(shù)據(jù)，本文對各種模型進(jìn)行了深入的分析，并比較其效果，初步探討了交通預(yù)測建模在路網(wǎng)交通狀態(tài)分析中的應(yīng)用。一方面，城市道路交通分高速路網(wǎng)和城市主干道路網(wǎng)兩種情況，本文對這兩種路網(wǎng)分別進(jìn)行了研究;另一方而，按照交通狀態(tài)數(shù)據(jù)不同的時(shí)間間隔，本文同時(shí)檢驗(yàn)了中時(shí)和短時(shí)預(yù)測兩種情形，并對模型進(jìn)行了對比研究。論文的主

4、要工作如下:
　　 1.通過所獲得的路網(wǎng)交通狀態(tài)數(shù)據(jù)，充分利用空間-時(shí)間交通信息，可以對路網(wǎng)的交通運(yùn)行狀況作出準(zhǔn)確的判斷，給出更合理的預(yù)測。本研究通過美國高速公路評測系統(tǒng)(FreewayPerformanceMeasurementSystem，簡稱PeMS)網(wǎng)站獲取了加利福尼亞洲際高速路網(wǎng)的行程時(shí)間指數(shù)（TravelTimeIndex，簡稱TTI）數(shù)據(jù)，對整合后的1-小時(shí)間隔的交通數(shù)據(jù)進(jìn)行研究，實(shí)時(shí)分析了高速路網(wǎng)的整體運(yùn)行狀況。

5、同時(shí)，本文還針對城市道路網(wǎng)絡(luò)中的交通流數(shù)據(jù)進(jìn)行了相關(guān)研究，利用悉尼交通自適應(yīng)協(xié)調(diào)系統(tǒng)(SydneyCoordinatedAdaptiveTrafficSystem，簡稱SCATS)所獲取的上海市徐匯區(qū)衡山路、吳興路路段15-分鐘間隔交通流量數(shù)據(jù)，對城市主干道路網(wǎng)的交通狀況建立了預(yù)測模型。
　　 2.選擇時(shí)間間隔不同的兩個(gè)交通數(shù)據(jù)源可以更全面地分析各種預(yù)測模型的性能，考慮到交通數(shù)據(jù)的不完備性問題，本研究提出兩種不同的方法對路網(wǎng)交通

6、狀態(tài)作出分析。其一是對所獲取的路網(wǎng)數(shù)據(jù)進(jìn)行適當(dāng)整合，對整個(gè)道路網(wǎng)絡(luò)的交通狀況進(jìn)行宏觀判斷;其二是從微觀角度出發(fā)，以路網(wǎng)中各路段的拓?fù)潢P(guān)系為基礎(chǔ)，進(jìn)行交通狀態(tài)參數(shù)的相關(guān)性分析，運(yùn)用時(shí)空信息進(jìn)行交通預(yù)測。選擇兩種交通數(shù)據(jù)可以分別驗(yàn)證這兩種分析方法，實(shí)驗(yàn)采用了絕對平均誤差（MeanAbsoluteError，簡稱MAE）、均方根誤差（RootMeanSquareError，簡稱RMSE）、平均絕對百分誤差（MeanAbsolutePercen

7、tageError，簡稱MAPE）和絕對百分方差（VarianceofAbsolutePercentageError，簡稱VAPE）等對各種預(yù)測模型進(jìn)行誤差分析和比較。
　　 3.以源自兩種路網(wǎng)的交通狀態(tài)數(shù)據(jù)為基礎(chǔ)，對基本預(yù)測模型進(jìn)行分類研究，提出時(shí)空狀態(tài)空間法與模型相結(jié)合的方法，驗(yàn)證了最小二乘支持向量機(jī)模型(LeastSquaresSupportVectorMachines，簡稱LS-SVM)和T-S模糊預(yù)測模型(FuzzyT

8、-S)兩種非參數(shù)預(yù)測模型的有效性。同時(shí)，分析了卡爾曼濾波預(yù)測模型（KalmanFiltering，簡稱KF）、自回歸移動(dòng)平均模型（AutoregressiveMovingAverage，簡稱ARMA）、歷史平均模型(HistoricalMean，簡稱HM)、線性最小二乘回歸模型（LinearLeastSquaresRegression，簡稱LLSR）、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型（RadialBasisFunctionNeuralNetwor

9、k，簡稱RBF-NN）和支持向量回歸模型（SupportVectorRegression，簡稱SVR）的預(yù)測性能，考察了多種模型參數(shù)，進(jìn)行實(shí)驗(yàn)比較，并采用多種誤差標(biāo)準(zhǔn)對其分析。
　　 4.以獲取的兩種交通數(shù)據(jù)和對基本預(yù)測模型的分析為基礎(chǔ)，考慮到基本模型預(yù)測各自的特點(diǎn)具有優(yōu)勢互補(bǔ)性，以及組合預(yù)測模型能夠有效減少單個(gè)模型預(yù)測過程中一些環(huán)境隨機(jī)因素的影響等特點(diǎn)，并以交通信息發(fā)布、處理的實(shí)時(shí)性要求為依據(jù)，在交通領(lǐng)域改進(jìn)并發(fā)展了線性組合預(yù)

10、測的思想，并詳細(xì)驗(yàn)證了六種線性組合方法:等權(quán)值預(yù)測法（EqualWeights，簡稱EW）、最優(yōu)權(quán)值預(yù)測法（OptimalWeights，簡稱OW）、最小絕對值誤差法（MinimumErrorⅠ&Ⅱ，簡稱MEⅠ&MEⅡ）和最小方差法（MinimumVarianceⅠ&Ⅱ，簡稱MVⅠ&MVⅡ）。通過多個(gè)誤差標(biāo)準(zhǔn)對202種組合模型進(jìn)行的誤差分析和性能比較證明，2-模型線性組合預(yù)測的預(yù)測精度和穩(wěn)定性都要優(yōu)于基本預(yù)測模型。
　　 5.受

11、變權(quán)值線性組合預(yù)測模型的啟發(fā)，同時(shí)考慮到交互式多模型(InteractingMultipleModel，簡稱IMM)在混合系統(tǒng)估計(jì)中表現(xiàn)出的相似特點(diǎn)，本文提出了IMM組合預(yù)測模型。IMM算法的遞歸性、模塊化、計(jì)算量固定這三個(gè)理想的特性決定了它可以用于實(shí)時(shí)交通狀態(tài)預(yù)測。而且，使用IMM選擇多個(gè)預(yù)測模型進(jìn)行組合符合交通信息處理的要求。采用兩種時(shí)間間隔不同的交通數(shù)據(jù)，實(shí)驗(yàn)通過排列組合研究了所有基本模型的各種IMM組合，并與基本模型和線性組合模