（交通运输规划与管理专业论文）运输网上交通流量实时预测模型研究.pdf

摘要 近年来神经网络的研究在国内外已经深入展开，也获得了一 定的成果，神经网络模型是在交通流量预测方面很有潜力的一种 模型。 由于多数的交通问题是高度非线性的，可获得的数据通常是 大量的和复杂的，用神经网络处理这些问题有很大的优越性。国 外在交通领域内用神经网络的研究自八十年代末期以来就一直以 迅猛的速度发展。 交通流预测和实时动态交通分配( d t a ) 是交通流诱导的基 础和前提，只有能够比较理想的预测出实时的交通流量信息，才 能进一步应用现代通讯技术、计算机技术等为出行者提供出最佳 的行驶线路，从而避免盲目出行造成的交通拥挤，达到网路畅通、 高效运行的目的。本文的主要内容如下： ( 1 ) 首先简单回顾神经网络理论在交通运输领域的应用，并分 析交通流实时预测模型的研究现状。但是在以往的研究中，有关 交通流量预测模型的研究未能取得令人满意的成果。接着讨论了 交通流实时预测与相关研究领域的关系，介绍了交通流相关领域 的研究现状。 ( 2 ) 第二章的内容首先是介绍交通流的自组织理论，它是研究 交通流实时预测模型的理论基础。再接着介绍了交通流的特性和 交通流数据的采集、整理和加工等以及交通流模拟理论。 ( 3 ) 本文神经网络的改进在于采用差商l m 法，经过仿真研 究，发现差商l m 法是一种高效、快速的学习方法，其学习速率 比带动量项的学习率自适应的b p 算法高一个量级，而比d a v i d e n f l e t c h e rp o w e l l ( d f p ) 、b r o y d e nf l e t c h e rg o l d f a r ls h a r m o ( b f g s ) 等变尺度方法以及其他非线性最小二乘法的稳定性要好得多。之 后介绍基于正交最小二乘算法的小波神经网络模型和基于时间序 列的小波神经网络预测模型。 ( 4 ) 在交通流预测这个问题上，主要分为两个方面的研究： 高速公路上交通流量的实时预测问题和城市交通道路网一般道路 交通流实时预测问题。本文建立了基于改进神经网络的交通流量 实时预测模型，并运用这些模型，以实测交通流数据为数据来源 进行计算。接着提出交叉口交通流量实时预测模型，最后建立基 于小波神经网络的交通流量预测模型。 ( 5 ) 第五章介绍了其他的交通流的预测方法与模型：历史数据 方法，时间序列方法，指数平滑预测方法，非参数回归方法等预 测模型方法，以及这些方法的相互结合等方法。 ( 6 ) 最后对本文简单总结并指出进一步研究的问题。 神绷编戳媚耥濑1 幻陬 黝j 91 叫，膨 i i 北方交通大学硕士学位论文 第六章本文结论 自从7 0 年代开始，不少的学者在积极地探讨着其他交通流量 预测方法，他们试图运用他们当时最先进的预测方法和模型来解 决交通管理和控制系统效率的问题。 到目前为止，关于交通流量预测的问题，以往的学者使用过 的方法和模型主要有：历史数据方法，时间序列方法，模糊神经 网络方法，谱分析模型( s p e c t r u mm o d e l ) ，指数平滑预测方法，非 参数回归方法，基于卡尔漫滤波理论的预测模型，神经网络模型， 以及这些方法的相互结合等方法。 岛 k ，詹局、 6 4 结论一衣0 ，k j f 6 1 1 本文的主要工作， l 。 、一 最后对本文所作的工作简单的总结如下：y ( 1 ) 研究的内容之一是交通流的自组织理论，它是研究交通流 实时预测模型的理论基础。再接着介绍了交通流的特性和交通流 数据的采集、整理和加工等以及交通流模拟理论。 f 2 ) 网络的改进在于采用差商l m 法，经过建立模型与实际计 算发现，发现差商l m 法是一种高效、快速的学习方法，其学习 速率比带动量项的学习率自适应的b p 算法高一个量级，而比 d a v i d e nf l e t c h e rp o w e l l ( d f p ) 、b r o y d e nf l e t c h e rg o l d f a r ls h a n n o ( b f g s ) 等变尺度方法以及其他非线性最d , - - 乘法的稳定性要好 得多。之后介绍基于正交最小二乘算法的小波神经网络模型和基 于时间序列的小波神经网络预测模型。 ( 3 ) 在交通流预测这个问题上，主要分为两个方面的研究：高 速公路上交通流量的实时预测问题和城市交通道路网一般道路交 通流实时预测问题。本文建立了基于改进神经网络的交通流量实 a b s t r a c t f o r e c a s t i n gr e a l t i m et r a f f i cf l o wh a sb e e ni d e n t i f i e da sac r i t i c a l n e e df o ri n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ( i t s ) p a r t i c u l a r l y , t r a f f i c f l o wf o r e c a s t sw i l ls u p p o r tp r o a c t i v e d y n a m i ct r a f f i cc o n t r 0 1 t r a 伍c f l o wf o r e c a s ti sa ni m p o r t a n ta s p e c tf o rt h et r a f i l ef l o wg u i d a n c e s y s t e m h o w e v e r ，p r e v i o u sa t t e m p t s t o d e v e l o p t r a f f i cf l o w f o r e c a s t i n gm o d e i sh a v em e t w i t hl i m i t e ds u c c e s s n e u r a ln e t w o r kh a saw i d ea p p l i e dp r o s p e c ti nt h em o d e l i n ga n d c o n t r o io fn o n l i n e a rs y s t e m b u tt 1 1 e l e a r n i n gm e t h o do f t h en e u r a l n e t w o r kh a ss o m es h o r t c o m i n g s i no r d e rt o i m p r o v et h el e a r n i n g e f f i c i e n c y a n ds t a b i l i t yo fn e u r a ln e t w o r k a n i m p r o v e d n e u r a l n e t w o r ka l g o d t h mi si n t r o d u c e d t h r o w 【g ht h ec o m p a r i s o nw i t ho t h e r l e a r n i n gm e t h o d s t i l ec o n c l u s i o ni sd r a w n t h a tt h ed i f i e r e n c eq u o t i e n t l mm e t h o di nw h i c ht h ed e r i v a t i v ei s r e p l a c e db yt h ed i f i e r e n c e q u o t i e n ti s a ne m c i e n ta n df a s tm e t h o d t h e1 e a r n i n gs p e e do ft h e d i f f b r e n c e q u o t i e n t l mm e t h o di sf a s t e rt h a nt h e a d a p t e d 1 e a r n i n g - r a t eb p m e t h o dw i t hm o m e n t u ma n dt 1 1 es t a b i l i t yi s m u c hb e t t e rt h a nv a r i a b l e m e t r i cm e t h o ds u c ha sd a v i d e nf l e c h e r p o w e l l ( d f p ) a n db r o y d e nf l e c h e rg o l d f a r ls h a r m o ( b f g s ) a n d o t h e rn o n l i n e a rl e a s ts q u a r em e t h o d i nt h i sp a p e r , b a s e do n a n a l y s i n gs e v e r a lm e t h o d st oe s t i m a t et h e t r a f f i cf l o w , w ee s t a b l i s har e a l - t i m et r a f i l ef l o w p r e d i c t i o nm o d e lb y u s i n gi m p r o v e dn e u r a ln e t w o r k t h es o f t w a r es y s t e mo f t h em o d e li s d e v e l o p e d t h em o d e l i s t e s t e dw i t hd a t ac o l l e c t e di nb e i j i n g c i t y t h ew a v e l e tn e u r a ln e t w o r k sm o d e li s f i r s t a p p l i e d i n t ot h e f o r e c a s to ft r a f f i cf l o wi nu r b a nt r a f f i cn e t w o r ki r lt h i s p a l ) e ln l e m o d e lc o m b i n e dt h eg o o dq u a l i t i e so fw a v e l e tt h e o r ya n da r t i f i c i a l n e u r a ln e t w o r k sm o d e lw h i c hi sa b l et oi d e n t i f yt h en o n l i n e a r s y s t e m t h ep r o p o s e dm e t h o ds t a r t s 、v i mo u rp r e v i o u s l yd e v e l o p e dn e u r a l n e t w o r k sm o d e lt h a tc a r ly i e l da t i m e v a r y i n g0 一d sw i t h o u t ar e l i a b l e p r i o rq - ds e t a n dad y n a m i ct r a f f i c a s s i g m n e n t m o d e l f d t a ) c a l t h o u g ht h e s t a t i s t i c a l p r o p e r t i e sa n dv a r i a n c e s o fs u c ham o d e l u n d e ral a r g e - s c a l en e t w o r kr e m a i nt ob ei n v e s t i g a t e d ，t h er e s u l t so f s i m u l a t e d e x p e r i m e n t s h a v e c l e a r l y i n d i c a t e dt h a to u r p r o p o s e d m e t h o df o r f o r e c a s t i n gr e a l t i m et r a f f i cf l o w i sq u i t ep r o m i s i n g i nt h ee n d ，w ed e m o n s t r a t et h en e c e s s i t yo fc o m b i n i n gn e u r a l n e t w o r kw i t hg e n e t i c a l g o r i t h m s k e y w o r d s ：t r a f f i c f l o w , d i f f e r e n c eq u o t i e n t l mm e t h o d ， n o n p a r a m e t r i cr e g r e s s i o n ，r e a l - t i m ef o r e c a s t ，w a v e l e tn e u r a ln e t w o r k ， i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ( i t s ) i v 北方交通大学硕士学位论文 第一章选题背景及意义 当今世界各国的大城市无不存在着交通拥挤问题。伴随着交 通拥挤，交通事故剧增，运输的效率也大大的减低了，大量的能 源被浪费了，大气质量也不断的恶化，经济的发展也受堂酽，制约。 出行需求快速的增长，但是所能提供的交通通过能力却没有显著 的变化。美国从1 9 7 6 年到1 9 9 7 年，每年的车辆公里数以7 7 的 速度上升，可是同期道路建设里程的增长数却仅为2 ，在城市 交通中的高峰时期，5 4 的车小时处于拥挤状态。由于交通拥挤， 人们每天消耗在上下班的时阋比平时平均多了1 5 个小时。同时 导致商业车辆在运输中延误或者耽搁，从而增加了运输的成本。 然而土地利用、经济的制约等使得不可能把道路建设到满意 的里程数，所以就需要在不扩张路网规模的前提下，提高路网的 通过能力。这就需要运用现代信息与通讯技术来提高交通运输的 效率，两智能交通系统就是实现交通管理高质量，商效率的技术 基础，它是运用先进的信息和通讯技术，对交通设施进行高效的 管理，以提高路网的通过能力，提高路网的安全性。【7 9 1 1 1神经网络在交通运输领域的应用 近年来神经网络的研究在国内外已经深入展开，也获得了一 定的成果，神经网络模型是在交通流量预测方面很有潜力的一种 模型。以往用神经网络方法解决路网交通流预测存在以下问题和 难点： ( 1 ) 学习算法的收敛速度很慢，通常要几千次的迭代或更多： ( 2 ) 网络的运行还是单向传播，没有反馈。目前这种模型并不 是一个非线性动力系统，而只是一个非线性映射。 ( 3 ) 神经网络方法的计算时间会随交叉口数目的平方增加。 北方交通大学硕士学位论文 1 1 1 神经网络理论的研究现状 由于多数的交通问题是高度非线性的，可获得的数据通常是 大量的和复杂的，用神经网络处理这些问题有很大的优越性。国 外在交通领域内用神经网络的研究自八十年代末期以来就一直以 迅猛的速度发展。 8 0 年代末9 0 年代初，神经网络理论系统理论形成了个发 展热点，多种模型、算法和应用问题都纷纷提出，也完成了很多 有意义的工作。 神经网络系统理论就是以人脑的智能功能为研究对象且以人 体神经细胞的信息处理方法为背景的智能计算理论。人工神经网 络的基本原理：神经网络是模拟人脑神经元的一种计算方法。典 型的生物神经元具有树突，先讨论简单的三层b p 网络，b p 算法 的原理：b p 算法的学习过程包括正向传播和反向传播。首先，输 入的信息正向传播，经过隐含层传向输出层，如果输出层不能得 到期望的输出，则转入反向传播过程，将实际值与网络输出之间 误差沿原来的联结通道返回，通过修改各层神经元的联系权值， 使误差减少，然后再转回正向传播过程，反复迭代，直到误差小 于预先设定的要求为止。 它具有以下几个特点：自适应性、自学习性、自组织性等。 神经网络按照其结构的不同，可分为：h o p f i e l d 网、c o h o n e n 网、c e l l u l a r 网等，其中多层前馈神经网络是目前应用最广泛的网 络之一。 神经网络按照其学习规则的不同，可分为：监督学习网 ( s u p e r v i s i n gl e a r n i n gn e t s ) 、增强学习网( r e i n f o r c e m e n tl e a r n i n g n e t s ) 、自组织学习网( s e l f - o r g a n i z i n gn e t s ) 及混合网( h y b r i dn e t s ) 等。 目前神经网络理论大体分以下三个方面进行：第一，硬件技 术上，美国与日本以实现1 0 0 0 个神经元的网络系统，因此该系统 具有极高的运算速度。第二，神经网络的理论研究方面，主要进 北方交通大学硕士学位论文 展有如：b o l t z m a n 机网( b o l t z m a n m a c h i n en e t w o r k ) 的研究，细胞 网络的研究，性能指标的分析。第三，神经网络的应用研究主要 是在智能控制和模式识别( 包括语音识别和图像识别) 、自适应滤 波和信号处理、经济管理、优化控制、在交通运输领域的应用。 1 1 2 神经网络理论在交通运输领域的应用回顾 在交通领域的应用九十年代以来得到了迅猛的发展。主要应 用于以下方面：汽车驾驶员行为的模拟、交通流量的预测、交通 网络中的参数估计、交通模式的划分、识别与分析、运输策略与 经济研究等。 ( 1 ) 在驾驶员行为研究中的应用。在该领域中利用神经网络模 拟驾驶员的行为，可以分为两类：对驾驶员行为的模拟和为驾驶 员本能决策的建模。 ( 2 ) 在交通流量的预测的应用。交通预测可分为两种不同的类 型，一类称为战略预n g ( s t r a t e g i cf o r e c a s t i n g ) ，它是通过预测交通 量在未来的月、年变化，其结果主要用于道路的规划方面。另一 类就是短期预测( s h o r t t e r mf o r e c a s t i n g ) ，以几分钟为间隔进行， 其结果可以直接送到交通控制系统中去，为智能导引系统及时的 提供数据。 ( 3 ) 在交通网络中参数估计的应用。利用神经网络对交通运输 网络中的待测参数进行估计在以往的研究中取得了一定的成功。 在交通网络中，有些数据很有用，但是数据的获得却比较困难， 例如路网的o d 阵，旅行时间估计等。 ( 4 ) 在交通模式的划分、识别与分析中应用。这方面的应用有： 神经网络用于交通阻塞的辅助诊断( k i r b y 等，1 9 9 3 ) ，它是通过 训练当地专家筛选出来的数据，因此其通用性较差。交通流季 节变化分析f a g h r i 和f l u a 在1 9 9 2 年利用自适应谐振理论( a r t ) 探讨了用神经网络分析交通流季节变化的可能性。偶发性阻塞 检测。由于道路上的交通事故等原因引起的偶发性的交通阻塞。 ( 5 ) 在运输策略与经济研究等的应用。货物运营的主要问题是 北方交通大学硕士学位论文 利用神经网络对运输网和调度进行优化。这方面的主要工作是货 物运营问题的参数化，因为这个问题是高度非线性的，它的可行 解是利用自组织分类厩j ( s e l f - o r g a n i z i n gc a t e g o r i z a t i o nn e t w o r k s ， j w e l l 等，1 9 9 1 ) ，然后根据所得到的分类结果采用不同的优化结 果。 2 1 1 2 交通流实时预测模型的研究现状 1 2 1 问题的描述 交通流量( 又称交通量) 指一定时间内通过道路某一地点 ( 某一横断面或某一交叉口) 的车辆或行人数量。实时交通流量预 测就是利用当前信息和历史数据来预测未来1 5 分钟后的交通流 量。【8 】交通流预测和实时动态交通分配( d t a ) 是交通流诱导的基础 和前提，只有能够比较理想的预测出实时的交通流量信息，才能 进一步应用现代通讯技术、计算机技术等为出行者提供出最佳的 行驶线路，从而避免盲目出行造成的交通拥挤，达到网路畅通、 高效运行的目的。 实时动态交通分配是，在交通流诱导系统中，把什么样的信 息提供给用户爿能起到避免拥挤和堵塞、提高路网使用效率的目 的，以及如何在短时间内得到这些信息。 1 2 2 交通流量实时预测问题的研究现状 以往的研究中，有关交通流量预测模型的研究未能取得令人 满意的成果。s m i t h 和d e m e t s k y 研究在北弗吉尼亚主要干线上的 交通流量预测问题。关于高速公路交通流量预测问题( 即预测未来 1 5 分钟后的交通流量) 研究中，现在主要有以下四个模型：历史 平均模型、时间序列模型、神经网络模型和非参数回归模型。非 参数回归模型的研究表明其易于实施，能够在不同的路段上进行 可行的、方便的预测。 北方交通大学硕士学位论文 早期的交通流量预测主要是为交通控制系统服务。第一代城 市交通控制应用系统采用历史数据对交通流量进行离散预测，第 二代城市交通控制系统应用实测的数据修正历史平均预测交通流 量，第三代交通控制系统没有利用历史数据，只利用实测数据预 测交通流量。第一代和第二代城市交通控制系统预测算法都存在 着时滞问题。l l 与此同时，不少学者也在积极地探讨着其他交通流量预测方 法。a b _ m a e ds a 和c o o ka r ( 1 9 7 9 ) 利用b o x j e n k i n s 技术对高速 公路的交通流量进行预测，预测结果表明此方法精度不够理想。 n a n c yl n i h a n 和k j d l0 h o l m e s l a n d ( 1 9 8 0 ) 应用b o x j e n k i n s 技术 和一路段四年的交通流量数据进行了预测，预测的精度较高。此 方法的缺点是要求的历史数据较多，且对建模者的知识水平和建 模技巧较高，n i c h o l s o n 和s w a r m ( 1 9 7 4 ) 利用谱分析预测交通流量， 结果较为满意，但不能预测不可预见的交通事故对交通流量的影 响。n i c h o l s o n 和s w a r m ( 1 9 7 9 ) 提出了谱分析模型( s p e c t r u m m o d e l ) 预测交通流量，a k m e d 和c o c k ( 1 9 7 9 ) 将时间序列模型应用到交通 流量的实时预测中去，d a v i s 和j i a n ( 1 9 9 0 ) 运用可调整的预测系统 来预测高速公路上的每小时的交通流量和交通拥挤。之后， j a n e ( 1 9 9 0 ) 将高级可调整预测系统应用到城市交通路网的实时预 测和数据收集等。但是当时所取得时间间隔一般是1 小时。g a z i d c h e 和k n a p pc h ( 1 9 7 1 ) ，1 w a oo k u t a n i ( 1 9 8 4 ) 应用卡尔漫滤波 理论建立了交通流量预测模型。n i h a n 和d a v i s ( 1 9 8 9 ) 提出预测误 差最大最小可能模型g a r ya d a v i s 和n a n c yl n i h a n ( 1 9 9 1 ) 应用非 参数回归法预测了交通流量，此模型在某些情况下较时间序列模 型预测的精度高。p c v y t h o t k a s ( 1 9 9 3 ) 提出了基于卡尔漫滤波理 论的交通流预测模型，计算结果也较令人满意。b r a i nl s m i t h 和 m i c h a ej d e m e t s k y ( 1 9 9 3 ) 利用神经网络方法预测交通流量，预测 结果具有较高的精度并没有时滞现象。t h i e r yd o c h y 等人( 1 9 9 4 ) 利用神经网络预测时间间隔为- - b 时的交通流量。m a s c h a v a nd e r v o o r t 等人( 1 9 9 6 ) 将神经网络与a r i m a 时间序列模型结合起来预 北方交通大学顾士学位论文 测交通流量，使a r i m a 模型具有更广泛的适应性和可移植性。 g o r i n n el e d o u x ( 1 9 9 7 ) 建立了基于神经网络的交通流量预测模型， 首先利用神经网络建立每个路段的交通流量模型，在建立整个路 网的交通流量预测模型，并应用模拟的数据对模型进行了验证。 到目前为止，研究的方法主要有：基于历史数据方法，时间 序列方法，模糊神经网络方法，指数平滑预测方法，非参数回归 方法，基于卡尔漫滤波理论的预测模型方法，以及这些方法的相 互结合等方法。 1 3 本文的意义和结构组成 1 3 1 与相关研究领域的关系与本文的意义 当前，解决城市交通局部拥挤的最佳途径是进行路径引导。 这是当今国际上正在兴起的智能运输系统研究的核心内容之一， 是先进的交通管理系统和先进的出行者信息系统的重要组成部 分，在我国被称为交通诱导系统。【3 8 】该系统的核心理论是实时动 态交通分配，实时动态交通分配是智能交通系统的主要理论基础， 而实时地对交通流量进行预测是进行动态交通分配的前提和基 础。对交通流量预测效果的好坏直接关系到交通分配的结果，因 此，我们研究实时动态交通分配首先要研究如何准确实时预测交 通流量。 交通流量实时预测问题其实是一个古典的交通分配问题。首 先估计o d 阵，然后将交通按某种规则分配到一个假想的网络中。 x i o n g 和s c h n e i d e r ( 1 9 9 2 ) 结合遗传算法和神经网络的优点，用于 上述交通分配问题。该方法比传统的均衡算法要快，但是仍然不 能满足实时交通流量信息的要求。 同时交通流具有高度的复杂性、随机性和不确定性，传统的 预测技术( 历史平均法，时间序列法等) 已经不能满足越来越高的 精度要求，经典的数学方法一直未能取得令人满意的预测效果， 北方交通大学硕士学位论文 而且预测精度不高，加上不具备自适应和自学习的能力，因而不 能满足实际需要。 1 3 2 相关领域的研究现状概述 为了设计和评价先进的交通信息系统a t i s 和先进的交通管 理系统a i m s ，需要努力的改良现存的交通运输模型或者提出适 于i t s 应用的新模型，这些新的模型和传统的交通运输模型相比， 应该具有信息化、实时化和网络化的特点。1 7 9 t 3 1 】近年来，这方面 的研究也越来越引起人们的注意，这些的研究主要有：建立支持 和评估先进的交通信息系统a t i s 和先进的交通管理系统a t m s 的模型，建立有关交通安全、环保问题和节能问题等的模型。下 面列出研究的主要方面： ( 1 ) 动态交通预测和控制。这方面的研究主要包括以下几点： 动态交通流理论；动态交通分配与模拟；动态o d 估计与预 测：高速公路通道集成交通模型；可调信号系统的仿真研究；实 时交通控制。 ( 2 ) 主要路段和高速公路上的事故识别与管理 ( 3 ) 旅行者行为模型研究 动态路径选择；在信息不断变化的情况下，旅行者的反应变 化和行为变化；在先进的交通信息系统a t i s 先进的交通管理系 统a t m s 实旅的过程中旅行者行为的表现。 ( 4 ) 建立能够实现先进的交通信息系统a n s ，先进的交通管理 系统a t m s 功能的模型。 监视与通讯功能a t i s 设施和组件的表现，如可变的信息符 号等先进的交通管理系统a t m s 设施和组件的表现，如匝道计数 器等共同的数据库以及与其他模型的接口实时控制。 ( 5 ) 人工智能和神经网络在组建交通模型中的应用 ( 6 ) 自动化车辆控制和自动化道路系统的模型 ( 7 ) 拥挤定价 ( 8 ) 交通运输与安全、能量和环保有关的方面 北方交通大学顾士学位论文 f 9 ) 综合运输智能化( i n t e r m o d a li s s u e ) 以及其他方面 有关第一方面的研究，m a r t i n ，s m i t h 和d e m e t s k y , s u l l i v a n 为 了解决动态交通预测的问题，包括分叉口流量( t u r n i n gm o v e m e n t ) 的预测，交通流量和事故的预测。 有关第二方面的研究，b o y c e 等和b e na k i v a 等用分析方法 或模拟方法来研究动态网络模型问题。 有关第三方面的研究，s e n 等和t a r k o 和k o u p h a i l 为了解决 动态车辆路径问题，而作的旅行时间预测和相关数据处理问题， 这是先进的交通信息系统a t i s 中的两个关键问题。之后，h a l l 和q u r e s h i 研究了动态搭车( r i d e s h a r i n g ) f n - j 题，这是与公共交通结 合起来的i t s 中的一个组成部分。l o 和h i c k m a n 作出了对拥挤 收费的综合研究。 1 3 3 相关领域的研究现状详细描述 第一组论文研究了几种动态交通预测问题。传统的运输计划 模型( t r a n s p o r t a t i o np r e d i c t i o np l a n n i n g ) 假定了稳定的、可预测的 出行模式，但这却不能解决实时预测问题。m a r t i n 等提出了一个 新的交通流预测模型，并解释了该模型提供综合的实时交通流信 息的原理，它的思想是借用运筹学中水流和电流优化的思想。 以往的研究中，有关交通流量预测模型的研究未能取得令人 满意的成果。s m i t h 和d e m e t s k y 研究在北弗吉尼亚主要干线上的 交通流量预测问题。关于高速公路交通流量预测问题( 即预测未来 1 5 分钟后的交通流量) 研究中，现在主要有以下四个模型：历史 平均模型、时间序列模型、神经网络模型和非参数回归模型。非 ! 参数回归模型的研究表明其易于实施，能够在不同的路段上进行 可行的、方便的预测。但同时近年来神经网络的研究在国内外已 。 经深入展开，也获得了可喜的成果，神经网络模型是在交通流量 预测方面很有潜力的一种模型。 众所周知，准确的预报交通事故从来都是很困难的。近年来 这一领域也有一定的进展。s u l l i v a n 提出了一种用于预测一定时 北方交通大学硕士学位论文 期内高速公路上事故数目和相关的延误的新模型，这种模型是根 据高速公路的路面状况、交通流量和事故管理程序这些资料来预 测的，这个模型用于高速公路提高能力的改良规划和事故管理之 中。s u l l i v a n 对事故发生的频率、严重性、持续时间和延误提供 了7 种标准的事故类型，他呼吁有关方面应该协调起来制订长期 的战略，并注意收集事故资料，这将对于未来的预测很有利。 第二类研究动态交通网络模型。对动态交通流问题的研究和 探讨，根据单个路径决策行为特征，整体上分为两类：动态用 户最优交通流分配( d u o ) ，即从单个用户出发，考虑的是网络中单 个用户出行旅行时间最少或费用最低；动态系统最优交通流分 配( d s 0 ) ，即是从系统出发，寻求整个系统总的旅行时间最少或费 用最低。 b o y c e 等人描述了动态均衡模型d y m o d 在a d v a n c e 中的 应用和扩展。a d 、硝卜c e 是在芝加哥西北部的大约3 0 0 平方英里 的区域道路网络上的一个动态路径导引系统，是迄今最大的智能 交通系统之一。所提出的动态路径选择模型是基于路段时间变化 不均等的前提下，并能用j a n s o n 的模型有效的求解出来。实际的 交通工程是基于路段阻抗函数( l i n kd e l a yf u n c t i o n ) ，而不是使用 过于简化的由美国公路局b p r ( b u r e a uo fp u b l i cr o a d s ) 提供的阻 抗函数。采用路段阻抗函数就可以预测各种路段旅行时间和交叉 口的延误时间。在这项研究的模型中，大约有2 3 ，0 0 0 条路段， 1 0 ，0 0 0 个节点，4 4 7 个区段。a d v a n c e 能够产生出时变的路段 流量、路段时间、车流速度和排队车流的返回信息( s p i l l b a c k i n f o r m a t i o n ) 。这也是迄今为止所能解决的最大的动态路径选择问 题。 b e n - a l d v a 等提出了对动态交通管理系统进行系统性能评价 和系统设计改良的模拟实验。包括以下四个模块：交通管理； 交通流模拟；监视系统模块；控制设备模块。它提供了一 个适用于对已在运营中i t s 项目进行评价的特殊动态网络模型工 具，通过对系统的模拟、与期望的比较来达到改进系统和评价系 9 北方交通大学硕士学位论文 统的目的。总之，b o y c e 和b e n a k i v a 分别提出了用于复杂动态 交通网络建模的两种典型方法，即分析方法和模拟方法。 第三类讨论了路段旅行时间预测和交通数据处理方法。高速 公路和主要干道上旅行时间预测是先进的交通信息系统a t i s 先 进的交通管理系统a t m s 应用的另一个挑战性任务。因为对旅行时 间的预测与路段上的信号交叉口的位置和数量有关，所以求解路 段旅行时间预测值的方差不是很简单的。但在一定时间内，某个 固定的路段上，从测量车辆上得到的对旅行时间预测值可能以一 个简单的格式变化。s e n 等人利用从主要干线上采集的数据，提 出了一个简化的旅行时间预测公式，并作了预测。研究表明，随 着检测车辆的数量的增加，路段旅行时间预测值的方差并不会趋 于零。作者分析了在某些路段上的数据结果和结论，并把这种结 论推广到大多数由信号控制的路段。 实时的交通数据是支撑着先进的交通信息系统a t i s 先进的 交通管理系统a t m s 系统运营的重要信息，这些交通信息对于拥挤 识别( c o n g e s t i o nd e t e c t i o n ) 和事故识别( i n c i d e n td e t e c t i o n ) 、 预测交通流量和实时路径导引都起着重要的作用。但在先进的交 通信息系统a t i s 先进的交通管理系统a t m s 中，实时数据的利用 却寥寥无几，当然也有因购置大规模监视系统的经济约束的原因。 t a r k o 和r o u p h a i l 提出了智能处理、数据集成工具的使用，用以 克服实时数据使用不足的问题，从而充分使用了实时数据。这种 方法减少了在定义或解决问题中的不确定性和含糊的因素。这种 数据集成方法应用在一个拥挤识别的例子中，结果表明，应用之 后的对拥挤状况( 拥挤或是不拥挤) 识别的信息增加了好几倍。 先进的公共交通系统a p t s 是i t s 的另一个重要组成部分，起 着连接先进的交通信息系统a t i s 和先进的交通管理系统a t m s 的 作用。先进的公共交通系统a p t s 应用高级导航、信息和通讯技术 等，这些技术的应用将会吸引了旅行者的出行选择公共交通方式 和动态搭车( r i d i n g s h a r i n g ) 方式，从而减少交通拥挤、废气排 放和能量消耗。动态搭车d r ( d y n a m i cr i d i n g s h a r i n g ) 是a p t s 0 北方交通大学硕士学位论文 的子系统，可认为是一个自动的过程，即由出行者随机寻找搭车 的伙伴。从理论的角度分析，动态搭车是可行的方式。h a l l 和 q u r e s h i 从理论上确定了动态搭车的概念，并从在洛杉矶地区的 实际应用中加以定义。在拥挤的高速公路上，理论上能够为d r 子系统提供足够的同去向的出行者，即潜在的搭车者。但是对于 随机出行者和厌恶共用汽车的出行者而言，这种搭车成功的概率 将大大的降低。 最近在拥挤收费技术上的进展和1 9 9 1 年的综合地面运输效 率法案i s t e a ( i n t e r m o d a ls u r f a c et r a n s p o r t a t i o ne f f i c i e n c y a c t ) ，使得拥挤收费( c o n g e s t i o np r i c i n g ) 再次引起研究人员的 兴趣。1 9 9 1 年2 5 ，0 0 0 ，0 0 0 元的资助用于道路收费系统的设计 和建设。在加里弗尼亚，已经有三个项目足以显示出拥挤收费的 长处。 北方交通大学硕士学位论文 第二章交通流量预测的前期工作和理论基础 j 下如交通流量预测是交通流诱导理论和动态配流的基础，本 章的内容是交通流预测的基础，主要着重于交通流的特性和交通 流数据的采集、整理和加工等。 交通流分析是指通过建立模型来研究交通现象和机理的方 法，其目的是为了更好地理解交通特性及其本质，使交通规划和 交通管理发挥最大的功效。 2 1 交通流的自组织理论 交通流特征数据粒度反映了交通流数据在时间和空间上的细 致程度。 按照时间轴划分为：5 分钟交通特征( 合计流量、平均车速、 平均密度) 、小时交通流特征( 合计流量、平均车速、平均密度) 、 日交通流特征( 合计流量、平均车速、平均密度) 、月平均交通流 特征f 月平均同交通量、平均车速、平均密度) 、年平均交通流特 征( 年平均日交通量、平均车速、平均密度) 。 2 1 1 交通流的时变特性 交通流对拥挤的交通网络的时变影响对于研究配流问题具有 重要的意义。配流模型的两个目标是，正确地预测网络中各路段 上的交通流，产生o d 行驶费用矩阵。这方面的静念问题已获得 了比较完美的解决，但是对于动态配流问题却还处于初步的研究 阶段。 n e w e l l ( 1 9 8 0 ) 警告规划人员，在使用静态模型时，容易导致 错误的决策。b e n a k i v a ( 1 9 8 5 ) 认为均匀高峰交通流是一个虚的概 念，静念配流技术不适合于分析交通拥挤现象。我们认为：静态 模型对于中长期的交通规划是有效的，但要分析交通流的高峰、 北方交通大学硕士学位论文 低谷等时变现象，应该使用动态模型。【5 2 j 交通流的时变特性有： 旅行者出发时间的变性。旅行者在分析了道路的拥挤情况 后，会调整出发的时间，或者提前，或者延后，通过时避开交通 高峰期，以减少路上消耗的时间，但要为此付出代价。 旅行者到达工作地时间( 或者目的地) 的变性。为了提前或 者延后到达的时间也同样要付出一定的代价。事实上以上两种决 策，都是一个在路上消耗时间与代价之间的价值交换问题。 高峰期的交通流不会是均匀的。静态模型中，将交通流视 为均匀分布于研究时间段内，会低估旅行时间和拥挤程度。 在o d 对之间的最短路径应是时变的。这是实时i v h s 的理论基础。 拥挤发生在不同的时间和地点。这一点在静态模型中体现 不出来。最直观的现象是，上班和下班的高峰期间出现的拥挤， 在正常期间可能不会出现。拥挤象一个运动的“瓶颈”，不是固定 的，而是时空变化的。 用一个简单的例予来说明， 路段4 上的拥挤程度完全取决于节点1 、2 、3 和4 上的运量 的进入时刻和相应的路段行驶时间。如果运量在路段1 上的行驶 时间是( t 4 。t 1 ) ，在路段2 上的行驶时间是( t 4 t 2 ) ，在路段3 上的 行驶时间是( t 4 t 3 ) ，则高达4 0 0 的运量在t 4 时刻同时到达路段5 ， 使得路段5 最拥挤。另一方面，假若在路段l 、2 和3 的行驶时间 不等于( t 4 - 3 1 ) ，( t 4 一t 2 ) ，( t 4 - 1 3 ) ，则每一个节点上进入网络的 运量1 0 0 不会在同一时间到达路段4 的，拥挤程度就会减少。若 路段上的行驶时间又是运量的函数，这个问题就极其复杂了，只 有动态配流模型才有可能解决。 北京市的统计数据：1 9 9 0 1 9 9 2 年，北京市的交通年负荷年 递增1 4 1 ，车辆数增长1 0 万辆。近五年，全市交通流量每年以 1 5 的速度递增，机动车增长了7 0 ，而同期的全市道路长度仅 增长了2 0 ，全市有2 8 个路口，1 7 个路段严重堵塞。相当多的 北方交通大学硕士学位论文 街道的机动车平均时速为2 0 公里，个别路段在1 0 公里以下。 1 0 1 0 0 。三二三玉竺竺- 疋+ 龟臣l 一；一一 - o o e 刀f 1 0 0 y j 图2 1 交通流时变性的例子 2 1 2 交通流模型 交通流模型指的是描述道路网上交通流的数学模型，一般可 以分为宏观模型( m a c r o s c o p i cm o d e l ) 和微观模型( m i c r o s c o p i c m o d e l ) ，宏观模型是将交通流作为压缩性流体或者车群，而微观 模型是对一辆一辆的离散车辆进行模型化的数学模型。【5 3 】宏观交 通流的基础是流体的守恒定律或连续方程式。状态变量一般取各 路段的交通密度或者存在的车辆数、或排队的机动车辆数。对于 研究动态交通分配来说，研究交通流的实时预测问题，如何构造 交通流模型，使其能高精度地描述现实的交通流，是保证实时交 通流预测精度的很重要的工作。 i o 模型( i n p u t o u t p u tm o d e l ) 是用路段流入交通流和流出交通 流的差来推定该道路段内机动车辆存在的辆数的模型。如果用 q i 。( t ) 表示流入的交通流，用q o u t ( t ) 表示流出的交通流，则路段内的 车辆数目变化可根据流体守恒定律得到