大規(guī)模路網(wǎng)實時交通流預測模型及應用研究.pdf

1、交通流誘導是目前公認的提高交通效率和機動性的最佳途徑，其目標是在交通網(wǎng)絡中為行人提供最佳的旅行路徑。交通網(wǎng)絡可以歸結為時變網(wǎng)絡，這方面的算法研究已經(jīng)很深入。但是，要將這些算法投入交通流誘導中應用，目前一個亟需解決的關鍵問題是給出交通網(wǎng)絡中每條鏈路的旅行時間函數(shù)T<,ij>(t)。本文采用交通流預測方法能夠實時動態(tài)地預測旅行時間函數(shù)T<,ij>(t)的值。 大量學者已經(jīng)對交通流預測方法進行了研究，神經(jīng)網(wǎng)絡是應用最為廣泛且效果較好的

2、一種。但是，神經(jīng)網(wǎng)絡學習法采用經(jīng)驗風險最小化原理，在理論上存在缺陷。針對神經(jīng)網(wǎng)絡的不足，Vapnik提出基于統(tǒng)計學習理論的支持向量機方法，通過結構風險最小化原理提高泛化能力，較好地解決了小樣本、非線性、高維數(shù)、局部小等實際難題。采用支持向量回歸方法(SVR)進行交通流預測，其理論優(yōu)勢得以實現(xiàn)的前提是選取合適的回歸參數(shù)。本文采取公式法對SVR的參數(shù)進行選擇。實驗表明該方法選取的回歸參數(shù)與經(jīng)驗決定參數(shù)預測效果基本相同，能夠滿足交通流預測實時

3、性、精確性要求。然而，要建立整個路網(wǎng)的實時交通流預測，無檢測器路段的實時預測必不可少。本文利用聚類分析方法、判別分析技術和支持向量機建立無檢測器路段的交通流預測模型。從而，實現(xiàn)整個路網(wǎng)的實時交通流預測。 然后，本文在分析大規(guī)模交通網(wǎng)絡特性的基礎上，建立了大規(guī)模路網(wǎng)實時交通流預測模型，該模型分為三個模塊：數(shù)據(jù)處理模塊、訓練模塊和預測模塊。接著，研究大規(guī)模交通網(wǎng)絡實時交通流預測模型在時間依賴的中國郵路問題、交通控制、交通流實時信息發(fā)

4、布系統(tǒng)和公交優(yōu)先的最優(yōu)路徑選擇中的應用。然而，這些應用對預測的實時性要求很高。為了提高預測的實時性，本文采用并行方法來計算每個鏈路的旅行時間函數(shù)T<,ij>(t)的值。在用MPI編寫并行程序時，存在資源瓶頸問題。Charm++技術提供了自適應MPI和負載均衡策略，在解決資源瓶頸問題的同時能夠實現(xiàn)負載的均衡計算。本文在深騰1800高性能機器上進行2000個路段的并行計算，實驗結果表明采用Charm++方法實現(xiàn)的大規(guī)模交通網(wǎng)絡實時交通流預測