基于浮動(dòng)車數(shù)據(jù)的道路運(yùn)行車速動(dòng)態(tài)預(yù)測(cè)研究.pdf

1、道路運(yùn)行車速預(yù)測(cè)是實(shí)現(xiàn)交通控制與管理的基礎(chǔ)，是實(shí)現(xiàn)智能交通系統(tǒng)的關(guān)鍵技術(shù)之一。道路運(yùn)行車速是交通狀態(tài)的重要參數(shù)，準(zhǔn)確、可靠、動(dòng)態(tài)實(shí)時(shí)的道路運(yùn)行車速預(yù)測(cè)對(duì)旅行時(shí)間的估計(jì)、交通擁堵?tīng)顟B(tài)識(shí)別、路段交通指數(shù)估計(jì)有直接影響。傳統(tǒng)道路運(yùn)行車速預(yù)測(cè)研究以靜態(tài)預(yù)測(cè)為主，時(shí)效性較差;傳統(tǒng)研究車型以小客車為主，忽略了城市道路行駛車型復(fù)雜，不同車型運(yùn)行特征不同這一客觀事實(shí);傳統(tǒng)車速研究算法包括線性回歸、灰色預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)等，多數(shù)未考慮浮動(dòng)車數(shù)據(jù)收集中的噪

2、聲問(wèn)題，導(dǎo)致其預(yù)測(cè)精度不理想，直接影響路段交通狀態(tài)識(shí)別、路網(wǎng)運(yùn)行評(píng)估、交通決策。因此，對(duì)路段車速研究不因僅僅局限于小客車本身，應(yīng)從路段各車型整體出發(fā)，對(duì)路段全車型進(jìn)行研究分析，建立動(dòng)態(tài)、實(shí)時(shí)的道路運(yùn)行車速預(yù)測(cè)模型，為城市智能交通系統(tǒng)建設(shè)提供依據(jù)。
　　交通大數(shù)據(jù)分析與應(yīng)用必須依托先進(jìn)的交通參數(shù)采集設(shè)備。本文利用浮動(dòng)車數(shù)據(jù)覆蓋范圍廣、數(shù)據(jù)精度高、樣本容量大特性，對(duì)路段交通參數(shù)數(shù)據(jù)進(jìn)行收集處理。同時(shí)，重點(diǎn)分析了浮動(dòng)車比率、采集時(shí)間間隔

3、的設(shè)置原則，針對(duì)在實(shí)際收集過(guò)程中易受環(huán)境干擾而導(dǎo)致原始數(shù)據(jù)存在的數(shù)據(jù)缺失、失真、錯(cuò)誤等問(wèn)題，確定數(shù)據(jù)篩選方法和數(shù)據(jù)缺失填補(bǔ)的PMM法。
　　本文以浮動(dòng)車數(shù)據(jù)為基礎(chǔ)，建立了道路運(yùn)行車速動(dòng)態(tài)預(yù)測(cè)模型，主要包括:針對(duì)浮動(dòng)車數(shù)據(jù)采集過(guò)程中易受到環(huán)境干擾而產(chǎn)生噪聲等缺陷，通過(guò)小波變換對(duì)原始數(shù)據(jù)進(jìn)行去噪，建立小波-ARIMA浮動(dòng)車車速預(yù)測(cè)模型，與未經(jīng)消噪處理的ARIMA模型相比，本算法平均相對(duì)誤差下降了18.17％，平均絕對(duì)誤差下降了33.8

4、2％。將路段行駛車型分為小客車、出租車、公交車、大型客貨車四類，本文利用神經(jīng)網(wǎng)絡(luò)較強(qiáng)的非線性逼近能力，建立FCM-RBF神經(jīng)網(wǎng)絡(luò)模型，以公交車車速和飽和度為輸入?yún)?shù)，以小客車、出租車、大型客貨車車速為輸出參數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)建模，模型小客車預(yù)測(cè)平均絕對(duì)誤差為3.95，平均相對(duì)誤差為9.21％;出租車平均絕對(duì)誤差為4.35，平均相對(duì)誤差為10.83％;大型客貨車平均絕對(duì)誤差為2.65，平均相對(duì)誤差為12.78％，模型預(yù)測(cè)精度達(dá)到了實(shí)際應(yīng)用要求