（工程力学专业论文）高速公路交通流预测方法研究.pdf

高速公路交通流预测方法研究 专业：工程力学 博士生：聂佩林 指导教师：余志教授 摘要 高速公路拥挤的减轻，事故率的降低，管理水平的提高有赖于对交通流进行 合理的控制和诱导，而实现交通流控制和诱导的关键问题是准确的交通流预测。 交通流预测信息可以作为先进的交通管理系统( a d v a n c e dt r a f f i cm a n a g e m e n t s y s t e m ，a t m s ) 的输入，制定前摄式的交通控制策略，还可以作为先进的路 径诱导系统( a d v a n c e dt r a v e l e ri n f o r m a t i o ns y s t e m ，a t i s ) 的输入，制定合理 的路径诱导信息，帮助出行者更好地进行路径选择。有研究证明，与基于当前信 息的交通控制和路径诱导相比，基于预测信息可以取得系统更优的结果。 交通流预测按照范围分可以分成：点( 路段截面) 、线( 路段) 交通流预测 和路网交通流预测。目前点、线交通流预测主要采用以随机过程、数理统计和最 优化等理论为数学基础的预测方法，这些方法一般要使用大量的检测数据进行参 数估计或训练，具有较高的预测精度，因此也常被称作“数据驱动方法。但是 这些方法缺点是预测性能随不同的时间和道路环境变化，没有一种能够在所有情 况下占有绝对优势。在路网交通流预测方面，中观仿真是目前取得效果最好的方 法之一，但是由于中观仿真模型参数较多，对参数变化比较敏感，在路网局部点、 线上的预测效果不如前者好。 针对这两个问题，本文根据从点到线、线到面，简单到复杂思路出发，先从 高速公路路段截面的交通流量预测着手，提出了两种交通流量的组合预测方法， 然后将点、线预测与中观仿真结合，提出了两者的结合框架。具体的完成内容包 括： ( 1 ) 提出了高速公路交通流量的约束卡尔曼滤波组合预测方法。该方法是 若干单一预测方法的动态加权组合，满足线性组合预测原理，其动态组合权值由 i i i 约束卡尔曼滤波递推方程确定。利用高速公路采集的交通流量数据，通过组合单 一的神经网络预测方法和单一的时间序列预测方法，分无干扰预测模型和有干扰 预测模型情况对提出的方法进行了测试。实验结果表明：单一的神经网络预测方 法或单一的时间序列预测方法预测性能随不同时间、不同预测步长起伏变化，而 约束卡尔曼滤波组合预测方法始终优于其中最佳的单一预测方法或与之持平。 ( 2 ) 提出了高速公路交通流量的神经网络组合预测方法。该方法是若干单 一预测方法的非线性组合，通过使用神经网络逼近非线性组合映射，实现了组合 权值的动态计算。采用高速公路采集的交通流量数据，通过组合单一的神经网络 预测方法和单一的时间序列预测方法，分无干扰预测模型和有干扰预测模型情况 对提出的方法进行了测试，并和基于线性组合原理的约束卡尔曼滤波组合预测方 法进行了对比。实验结果表明：在不同时段、不同预测步长下，神经网络组合预 测方法优于单一的预测方法；在整体预测效果上与约束卡尔曼滤波组合预测方法 持平。 ( 3 ) 提出了点、线预测与中观仿真结合的交通流预测框架。该框架将数据 驱动方法在路网局部点、线的高精度预测能力与中观仿真的路网范围预测能力结 合起来，通过可信度高的路网局部的点、线预测值，在线修正中观仿真模型的参 数，使得中观仿真模型能够逼近、反映交通流运动趋势，提高路网范围交通状态 预测精度。通过结合路段旅行时间预测与中观仿真的实例分析证明，点、线预测 和中观仿真结合发挥了两者各自的优势，预测结果比单纯的中观仿真效果好。 关键词：短期交通流预测，约束卡尔曼滤波，b p 神经网络，中观交通仿真 i v r e s e a r c ho nt r a f f i cf l o wp r e d i c t i o no ff r e e w a y m a j o r ：e i l g i i l e e f i n gm e c h a n i c s n a m e ：n i ep e i l i n s u p e r v i s o r ： a b s p r o f y uz ，h i t r a c t t oa l l e v i a t ef r e e w a yt r a f f i cc o n g e s t i o n , d e c r e a s ea c c i d e n tr a t e ，a n di m p r o v e m a n a g e m e n te f f i c i e n c y , o p t i m a lt r a f f i cc o n t r o l a n dg u i d a n c e s t r a t e g i e sm u s tb e i m p l e m e n t e d t r a f f i cf l o wp r e d i c t i o n ，w h i c hi st h ek e yt e c h n o l o g yo ft r a f f i cc o n t r o l a n d g u i d a n c e ，p r o v i d e sp r e d i c t i v e t r a f f i ci n f o r m a t i o nf o ra d v a n c e dt r a f f i c m a n a g e m e n ts y s t e m ( a t m s ) t od e s i g np r o a c t i v et r a f f i c c o n t r o ls t r a t e g i e s ，o rf o r a d v a n c e dt r a v e l e ri n f o r m a t i o ns y s t e m ( a t i s ) t oh e l pt r a v e l e r sc h o o s i n gt h e i rp a t h s p r e v i o u sr e s e a r c h e sh a v ep r o v e dt h a ta t m sa n da t i sa t t a i nb e t t e rp e r f o r m a n c eo n s y s t e ml e v e lw h e nt h e ya r ei m p l e m e n t e db a s e d o np r e d i c t i v et r a f f i ci n f o r m a t i o nt h a n ： u s i n gc u r r e n tt r a f f i ci n f o r m a t i o n t r a f f i cf l o wp r e d i c t i o nc a nb ec l a s s i f i e di n t ot w oc a t e g o r i e sa c c o r d i n gt o i t s s c o p e ：r o a ds e c t i o n ( o rr o a ds e g m e n t ) t r a f f i cp r e d i c t i o na n dn e t w o r kw i d et r a f f i c p r e d i c t i o n t h ed a t a - d r i v e na p p r o a c h e s ，w h i c ha r ed e r i v e df r o mr a n d o mp r o c e s s t h e o r y , s t a t i s t i c st h e o r ya n do p t i m i z a t i o nt h e o r y , h a v eb e e np r o p o s e df o rt r a f f i cs t a t e p r e d i c t i o no fr o a ds e c t i o na n dd e m o n s t r a t eh i g hp r e d i c t i o na c c u r a c yf o rt h eg i v e np a r t o f r o a dn e t w o r k h o w e v e r , t h ep e r f o r m a n c e so ft h e s ep r e d i c t o r sv a r yw i t ht i m eo fd a y a n dp r e d i c t i o nh o r i z o n s ，a n dn o n eo ft h e mh a v ed o m i n a n ts u p e r i o r i t y i nt h eo t h e r h a n d ，m e s o s c o p i ct r a f f i cs i m u l a t i o ni so n eo ft h ep r o m i s i n gt e c h n o l o g i e st op r e d i c t n e t w o r kw i d et r a f f i cs t a t e ，b u ti ti ss e n s i t i v et ot h em o d e lp a r a m e t e r sa n dn o ta sg o o d a st h ed a t a d r i v e np r e d i c t o ro nt h eg i v e np a r to ft h en e t w o r k t oa d d r e s st h e s et w oi s s u e s ，t w oc o m b i n e da p p r o a c h e sf o rf r e e w a yt r a f f i c v o l u m ew e r ep r o p o s e dt oi m p r o v ep r e d i c t i o na c c u r a c y af r a m e w o r kw h i c hc o m b i n e s d a t a d r i v e np r e d i c t o r sa n dm e s o s c o p i ct r a f f i cs i m u l a t i o nw a sp r e s e n t e dt ot a k et h e a d v a n t a g e so f t w om e t h o d s t h ed e t a i li n f o r m a t i o na b o u tt h er e s e a r c h e si n c l u d e s ： v ( 1 ) ac o n s t r a i n e dk a l m a nf i l t e rc o m b i n e dp r e d i c t o rw a sp r o p o s e df o r t r a f f i c v o l u m ep r e d i c t i o nf o rf r e e w a y t h ep r o p o s e dp r e d i c t o rw h i c hs a t i s f i e s l i n e a r c o m b i n a t i o np r i n c i p l ei saw e i g h t e ds u mo fs e v e r a ls i n g u l a rp r e d i c t o r s ，w h o s ew e i g h t s f o rs i n g u l a rp r e d i c t o r sa r ec a l c u l a t e db yc o n s t r a i n e dk a l m a nf i l t e rr e c u r r e n c ee q u a t i o n u s i n gt r a f f i cv o l u m ed a t ac o l l e c t e do nf r e e w a y , t h ep r o p o s e dp r e d i c t o rw a st e s t e d t h r o u g h t h ec o m b i n a t i o no fa na r t i f i c i a ln e u r a ln e t w o r kp r e d i c t o ra n d a n a u t o r e g r e s s i v em o v i n ga v e r a g ep r e d i c t o r t h ee x p e r i m e n t r e v e a l e d t h a t ，t h e p e r f o r m a n c e so fs i n g u l a rp r e d i c t o r sv a r yw i t l lt i m eo fd a ya n dp r e d i c t i o nh o r i z o n s ； h o w e v e r , t h ep r o p o s e dp r e d i c t o ro u t p e r f o r m se i t h e rn e u r a ln e t w o r kp r e d i c t o ro r a u t o r e g r e s s i v em o v i n ga v e r a g ep r e d i c t o ri na l ls i t u a t i o n s ( 2 ) a na r t i f i c i a ln e u r a ln e t w o r kc o m b i n e dp r e d i c t o rw a sp r o p o s e df o r t r a f f i c v o l u m ep r e d i c t i o nf o rf r e e w a y t h ep r o p o s e dp r e d i c t o r , w h i c he m p l o y san e u r a l n e t w o r kt oa p p r o x i m a t et h en o n l i n e a rm a p p i n gf u n c t i o n ，i san o n - l i n e a rc o m b i n a t i o n o fs e v e r a ls i n g u l a rp r e d i c t o r s t h ew e i g h to fe a c hs i n g u l a rp r e d i c t o ri sd e t e r m i n e db y t h en e u r a ln e t w o r kd y n a m i c a l l y u s i n gt r a f f i cv o l u m ed a t ac o l l e c t e do nf r e e w a y , t h e p r o p o s e dp r e d i c t o rw a st e s t e dt h r o u g ht h ec o m b i n a t i o no f a na r t i f i c i a ln e u r a ln e t w o r k p r e d i c t o ra n da na u t o r e g r e s s i v em o v i n ga v e r a g ep r e d i c t o r t h ee x p e r i m e n tr e v e a l e d t h a t ，t h en e u r a ln e t w o r kc o m b i n e dp r e d i c t o ro u t p e r f o r m sb o t hs i n g u l a rn e u r a ln e t w o r k p r e d i c t o ra n ds i n g u l a ra u t o r e g r e s s i v em o v i n ga v e r a g ep r e d i c t o r , a n dt h ep e r f o r m a n c e i st h es a m ea st h ec o n s t r a i n e dk a l m a nf i l t e rc o m b i n e dp r e d i c t o r ( 3 ) af r a m e w o r kw h i c hc o m b i n e sd a t a - d r i v e np r e d i c t o r sa n dm e s o s c o p i ct r a f f i c s i m u l a t i o nw a sp r o p o s e df o rt r a f f i cn e t w o r ks t a t ep r e d i c t i o n t h em e s o s c o p i c s i m u l a t i o nm o d e li sc a l i b r a t e do n 1 i n eb yt h eh i g ha c c u r a c yp r e d i c t i o nr e s u l t sf r o m d a t a d r i v e np r e d i c t o r ss ot h a t t h em e s o s c o p i cs i m u l a t i o ns y s t e mc a nc a p t u r e p r e v a i l i n gt r a f f i cc o n d i t i o n sm o r ea c c u r a t e l y , a n da c h i e v eb e t t e rn e t w o r kw i d et r a f f i c p r e d i c t i o nr e s u l t s ac a s es t u d y , w h i c hc o m b i n e st h er o a ds e g m e n t st r a v e lt i m e p r e d i c t i o n a n dm e s o s c o p i ct r a f f i cs i m u l a t i o n ，w a sc o n d u c t e dt ov e r i f yt h e e f f e c t i v e n e s so ft h ef r a m e w o r k t h ee x p e r i m e n tr e s u l ts h o wt h a tt h ef r a m e w o r kf u l l y u t i l i z e st h ea d v a n t a g e so ft h et w op r e d i c t i o na p p r o a c h e s ，a n da t t a i n sb e t t e rn e t w o r k w i d es t a t ep r e d i c t i o nr e s u l t st h a nu s i n gm e s o s c o p i ct r a f f i cs i m u l a t i o no n l y v i k e y w o r d s ：t r a f f i cf l o wp r e d i c t i o n ，c o n s t r a i n e dk a l m a nf i l t e r , b pn e u r a l n e t w o r k ，m e s o s c o p i ct r a f f i cs i m u l a t i o n v i i 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研 究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他 个人或集体已经发表或撰写过的作品成果。对本文的研究作出重要贡献的个人 和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本 人承担。 学位论文作者弛霾佩枞 日期：力d 扩年厶月6 日 学位论文使用授权声明 本人完全了解中山大学有关保留、使用学位论文的规定，即：学校有权保留 学位论文并向国家主管部门或其指定机构送交论文的电子版和纸质版，有权将学 位论文用于非赢利目的的少量复制并允许论文进入学校图书馆、院系资料室被查 阅，有权将学位论文的内容编入有关数据库进行检索，可以采用复印、缩印或其 他方法保存学位论文。 学位论文作者签名： 蚤1 郦袄 日期：乃d 矽年f 三月石日 第一章引言 1 1 国内高速公路发展现状 1 9 8 8 年国内第一条高速公路正式通车到现在，中国的高速公路建设取得了 举世瞩目的成就。2 0 0 2 年底，我国高速公路通车里程一举突破2 5 万公里，此后 一路突飞猛进，在2 0 0 4 年、2 0 0 5 年和2 0 0 7 年分别突破3 万公里、4 万公里和5 万公里，目前在世界上仅次于美国。目前，除西藏外，各省、自治区和直辖市都 已拥有高速公路，全国有1 1 个省份高速公路里程超过2 0 0 0 公里。广东省、辽宁 省和山东省已实现了省会到地市全部由高速公路连接，长江三角洲、珠江三角洲、 环渤海等经济发达地区的高速公路网络也正在形成。随着高速公路里程的不断延 伸，规模效益逐步发挥，人们切身感受到高速公路带来的时间、空间观念的变化。 但随着交通量的快速增长，一些城市的高速公路或者是连接城市比较密集地 区的高速公路，交通量达到了甚至超过设计的饱和流量，行车速度已经低于设计 最低速度，并在收费站出入口形成了排队。 以广深高速为例，白2 0 0 1 年开始，平均日交通量一直以两位数增长，目前 每天进入广深高速的车流量达到2 5 万辆，远远超过了5 5 万辆次日的设计流量， 部分路段已开始趋于饱和。原来设计为限速1 2 0 公里的时速也调整到11 0 公里 小时。交通流量剧增，高速公路的事故率也伴随上升。 智能交通系统技术( 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 ) 被公认为是解决 交通问题的有效方法之一，智能交通系统可以达到提高交通运输系统的效率、减 少交通事故、降低环境污染的目的。发展智能交通的思路使人们从传统的单靠“修 路限车”的模式中脱离出来，尝试用高新技术强化人、车、路之间的联系，以提 高交通系统的效益。近二十年，随着计算机技术、通讯技术、自动化技术的发展， 以及世界各国对i t s 重视程度的提高，在世界范围内，i t s 得到了蓬勃的发展【l 吲。 近年来，国内对利用智能交通系统技术改造高速公路日益重视，出现了一批 信息化、智能化的高速公路管理系统( i n t e l l i g e n tt r a f f i cm a n a g e m e n ts y s t e m ， i t m s ) 。例如：江苏省高速公路交巡警g p s 指挥调度系统【4 1 、杭州绕城高速指 挥调度系统、安徽省高速公路指挥调度系统f 卯。这些的应用系统节省了警力，提 高了高速公路管理效率。由于这些系统的实施，大量的传感器( c c t v 、微波、 雷达、区间测速等) 被铺设在高速公路上。应用i t s 技术，有望实现高速公路管 理信息化、智能化，提高管理的效率。这对改善原来高速公路陈1 目的管理模式， 加强高速公路管理力度，提高应急事件响应速度，降低事故率有重要的意义。但 要真正实现高速公路资源在时空上的合理分配，实现其效用的优化，并且将事故 防患予未然，根本的办法是依靠对交通流的实时控制和诱导。 1 2 研究目的与意义 实现交通流控制和诱导的关键问题是准确的交通流量预测，即如何有效地利 用实时交通数据信息去滚动预测未来的交通状况。如图1 1 所示，交通流预测结 果可以作为交通控制中心的输入，用于制定主动型的交通控制策略；还可以直接 用于交通信息发布，为出行者提供实时有效的信息，帮助他们更好地进行路径选 择，实现路径诱导。 短期交通流预测，它是微观意义上的，与中观和宏观意义上的以天、月甚至 是年计算的基于交通规划的战略预测是有本质区别的，它的预测步长一般在- - d , 时之p 呵r 6 j 。预测的交通流状态参数有旅行时闻、流量、平均速度和占有率等，其 中尤其以路段截面流量和路段旅行时间作为预测指标的研究较多。前者是制定动 态交通管理和信号控制镱略的依据，而后者则可宣接用于诱导信息发布。在短期 内，动态变化的交通流非线性，随机性也更强。 2 交流顶系统 图1 - 1 交通流预测在交通诱导和控制中的地位 交通流预测信息可以把握交通流动态运行的发展卷势，并制定前摄式的交通 控制和诱导策略，使得可以将拥堵和事故防范于未然。有研究证明”，与基于当 前状态的交通控制和交通信息发布相比，基于状态预测获得的结果从系统效益上 要优于前者。目前，在i t s 技术研究领域，世界各国对交通流预测的研究和应用 非常重视【8 】。 h 路段截面 点预测 路段 一 ( 2 ) # “删 图1 2 按预测范围划分预测方法 如图1 2 所示，交通流预测方法根据其预测范围可咀分为：( 1 ) 点的预测， 例如：路段截面的交通流量、占有率、平均速度等；( 2 ) 线的预测，例如：路径 旅行时间、平均速度等；( 3 ) 路网范围的预测，主要是获得未来交通流量在各路 段的分配情况。这三者涉及的范围大小不一样，预测的难度也不一样。点预测和 线预测需要考虑的因素少一些，比路网预测要相对简单容易一些。 国产 点、线交通流预测所使用的方法多为以随机过程、数理统计学和最优化理论 等为数学基础的一些运用预测方法，如a r m a 模型、神经网络、支持向量机等。 这些方法着重从数据随时间变化的规律出发，通过对历史数据的拟合，把握交通 流未来发展的趋势，这类方法慰数据的依赖性较强，也常被称之为“数据驱动 ( d a t a d r i v e n ) 预测方法【9 】。大量的研究实验和应用实例证明，这些方法具有较 高的预测精确度，但这些方法各有优缺点，在不同的环境表现出不同的适应性， 没有种方法是能够在所有情况下都占绝对优势的【l o 】。 虽然路网局部的点、线交通流预测具有较高的精度，但是这些方法却有以下 缺点：( 1 ) 忽略了预测量所代表的物理意义；( 2 ) 难以将路段之间的相互连接关 系考虑在内( 3 ) 难以将影响预测量的众多重要的外部毽索( v m s 、事故、匝道 控制、信号控制等) 考虑在内。由于未来路网整体的交通流分布是相邻路段之间、 驾驶员的路径选择、交通控制等等众多的因素相互作用的结果，因此点、线预测 方法难以推广应用于路网范围的预测。巍前能够实现路网范围交通流预测的主要 是基于中观交通仿真的预测方法。 中观交通仿真方法采用微观的驾驶员路径选择模型以及宏观的交通流运动 模型来实现交透流在路嬲上的分配，是计算速度和仿真真实程度的一种平衡。它 可以对交叉口信号控制、事故发生、驾驶员对信息的反应等行为进行模拟，只需 给定时交的交通需求以及一组经过标定的仿真参数，就可以模拟得到交通流在路 网中的分布情况。但中观仿真模型涉及较多的参数，对参数的变化较为敏感，应 用时都要经过事先标定。此外，选择一个能够反映当地实际的交逶流运动模型也 是影响仿真预测结果的关键。中观仿真方法能够预测整个路网的交通流分布情 况，但是在单一的点上或单一的线上，其预测结果不如点预溯或线预测获得的精 度高。 l 。3 研究思路与内容 本论文的研究先从较简单的点、线交通流预测着手，然后处理较复杂的路网 范围的预测。这里涉及到如何处理点、线交通流预测和路网范围预测之间的关系， 也就是处理局部预测与整体预测的关系闯题。 4 在对点、线交通流预测方法研究上，着重提高现有算法的预测精度和鲁棒性。 现有的交通流预测算法在不同的环境有不同的适应性，预测性能随不同的时间， 不同的道路场景而变化，没有一种方法能够占有绝对的优势。通过组合预测的方 式，将多个不同的单一预测方法加权组合，从而克服单一方法性能不稳定的缺点。 在路网范围交通流预测方法研究上，考虑将局部高精度的点、线预测算法与 中观仿真方法结合。根据点、线交通流预测结果与中观仿真系统在这些点、线上 预测结果的差异，在线反馈修正中观仿真模型参数，从而提高中观仿真系统在路 网整体的预测精度。 本论文研究的主要内容包括： ( 1 ) 点、线交通流预测的组合式预测方法。组合预测算法主要涉及两方面 的问题： 若干单一预测算法应该如何组合? 应该满足什么约束? 组合的形式有 线性组合方式，和非线性组合方式。前者一般要求满足权值非负，且和 为1 的约束。而后者是更广义的组合方式，是对线性组合的推广。本文 尝试了两种不同组合方式的预测方法。 在确定组合方式的情况下，应该采用什么算法求解动态加权系数? 对线 性组合方式，通过以组合权值为状态向量，实测值组成观测向量，建立 状态空间模型，进而采用约束卡尔曼滤波递推方程求解。对非线性组合 方式，则利用了神经网络良好的非线性映射逼近能力，通过数据训练神 经网络，使之逼近非线性组合函数，计算动态组合权值。 ( 2 ) 点、线预测与中观仿真结合方法。以及由此而衍生出的具体研究内容 包括： 中观仿真路网建模以及中观仿真系统的参数校正。与微观交通仿真一 样，路网建模是进行中观仿真的第一步，如果根据仿真系统提供的配套 路网编辑工具( r o a dn e t w o r ke d i c t o r ，r n e ) 来进行路网建模，对一个 大型的路网，工作量非常大，本文对比了电子地图和仿真路网的特点， 提出利用电子地图自动构建中观仿真路网的方法。此外，中观仿真模型 参数因不同的道路环境，不同车辆组成成份比例，甚至因不同的文化背 景而异，应用在某一特定的道路环境时，都必须进行参数校准。 5 点、线交通流预测与中观仿真结合的预测框架。如何将高精度的路网局 部点、线预测与中观仿真系统路网范围预测结合，需要一个合理处理两 者之间关系的框架。 中观仿真系统的在线参数修正方法。点线交通流的预测结果精度比中观 仿真系统高，可信度更高。如果两者在路网局部点线上的预测结果存在 差异，则需要在线修正中观仿真模型参数，使中观仿真模型参数更能反 映交通流运动的趋势，从而提高路网整体的预测精度。 1 4 论文的组织 论文围绕着高速公路交通流预测技术相关的研究内容，共分六章来撰写。 第一章为全文的引言，主要总结和回顾研究背景，并阐述本选题的意义和本 论文的主要研究内容。 第二章为相关的国内外文献综述。这部分主要介绍了点、线交通流预测和路 网交通流预测等相关领域的研究现状。此外，归纳和总结了在该研究领域所存在 的不足和需要进一步深入的研究内容。 第三章介绍了基于约束卡尔曼滤波的高速公路交通流量组合预测方法。该方 法是若干单一预测方法的线性组合，满足权值非负，并且和为1 的约束。利用约 束卡尔曼滤波递推计算动态组合权值。实例分析利用广东省广深高速公路的交通 流检测数据对算法进行了验证。 第四章介绍了基于b p 神经网络的高速公路交通流组合预测方法。与前一章 基于约束卡尔曼滤波的组合预测方法不同，该方法是若干单一预测方法的非线性 组合。利用b p 神经网络良好的函数逼近能力对该非线性组合映射进行了逼近。 实例分析利用广东省广深高速公路的交通流检测数据对算法进行了验证，并和基 于约束卡尔曼滤波的方法进行了对比。 第五章介绍了m e s o t s 中观仿真软件的模型，提出了m a p i n f o 电子地图自动 生成m e s o t s 仿真路网的方法，m e s o t s 中观仿真模型离线参数校准，对两种不 同形式的交通需求输入进行了高速公路仿真实验。 第六章介绍了点、线预测和中观仿真结合的高速公路网交通流预测方法。提 6 出了结合两者的路网交通流预测框架，该框架将两者的结合最后归结为一个中观 仿真系统的在线参数修正过程。基于m e s o t s 中观仿真平台，采用广深高速采集 的收费站车辆记录数据，对路段旅行时间预测和中观仿真的结合预测方法进行了 实例分析。 第七章是本论文的总结和展望。总结了本论文的创新点和不足，最后提出未 来的研究展望。 7 第二章国内外文献回顾 在上一章，根据交通流预测方法预测范围的不同，分为点预测、线预测和路 网预测。点、线预测一般只针对路段的截面或一个路段的交通参数进行预测。采 用的方法多为以随机过程、统计学以及最优化为数学基础的时间序列方法、滤波 方法和人工智能方法等。这些方法的特点是不对预测量进行严格的物理建模，只 注重对已有历史数据的拟合及其变化规律的把握，只需要确定模型的参数，就可 以使用来对交通参数进行预测。这些预测方法的精度比较高，但对数据的依赖性 较强，也可以称为“数据驱动”的预测方法。在路网预测研究方面，国内外学者 对各种不同的方法作了尝试，主要可以分成三类。一种是基于数据挖掘的路网状 态预测方法，这类方法国内的研究者比较多。第二种是已有3 0 多年发展历史的 解析动态交通分配方法。最后一种是仿真动态交通分配方法，随着计算机技术的 发展，近十年来，这种方法成为路网交通状态预测的研究热点。下面按照以上分 类，逐一介绍具体的研究情况。 2 1 点、线交通流预测的国内外研究状况 在点、线交通流预测方面，较早期的预测方法主要有：历史平均模型、指数 平滑模型、时间序列模型、卡尔曼滤波模型、参数回归模型等。随着随机过程、 数理统计学、最优化理论等基础数学理论的发展，又涌现出一系列新的预测方法。 这些方法包括：非参数回归模型、k a r i m a 算法、基于小波理论的方法、基于 多维分形的方法、谱分析法、状态空间重构方法、支持向量机、贝叶斯网络、以 及多种与人工神经网络相关的复合预测模型等。这些方法的特点是所采用的模型 和方法不追求严格意义上的数学推导和明确的物理意义，而更重视对真实交通流 现象的拟合效果。 根据预测方法的原理区别，可以将已有的点、线交通流预测方法分为以下七 种：卡尔曼滤波模型、神经网络模型、时间序列模型、支持向量机模型、贝叶斯 网络模型、非参数回归模型、组合模型。 9 2 1 1 卡尔曼滤波 卡尔曼滤波是由r e k a l m a n 于1 9 6 0 年提出一种线性滤波方法。该方法是一 种时域方法，它对线性预测模型中的参数，采用迭代的方式进行估计。按线性无 偏均方误差估计准则，在迭代的每一步中，用获取的误差信息对预测因子不断进 行修正，使估计的参数趋于最优值，从而求得滤掉噪声的有用信号的最佳估计。 卡尔曼滤波具有较广泛的适应性，由于卡尔曼滤波采用较灵活的递推状态空间模 型，因此卡尔曼滤波方法既适用于处理平稳数据，又可用于非平稳数据处理，且 对状态变量作不同的假设，可使其描述及处理不同类型的问题，同时减少了计算 机存储量和计算时间该模型具有线性、无偏、最小均方差性卡尔曼增益矩阵可在 计算中自动改变，调节信息的修正作用，以保持滤波估计的最佳性，具有在线预 测的功能。 o k u t a n i u 1 利用卡尔曼滤波理论和方法建立了交通流量的预测模型，该模型 考虑了相邻路段对目标路段的影响，通过一个计算实例与第二代u t c s 采用的方 法进行了对比，结果表明预测效果比后者好。杨兆升【l2 j 利用卡尔曼滤波理论和 方法建立了交通流量预测模型，所建立的模型考虑了上下游交通流量的影响，并 且通过实测数据的验证，得到比较满意的预测效果。朱中【l 列建立了流量和路段 旅行时间的状态空间模型，利用卡尔曼滤波求解该模型，尝试并对比了三种不同 形式的观测矩阵表示法，结果发现以流量比值作为观测矩阵元素的情况获得的结 果最佳。杭明升等【1 4 】使用卡尔曼滤波法对高速公路行程时间进行了预测，并和 文献提到的预测方法进行了对比，认为其具有较高的预测精度。邵春福等【1 6 】 将a r 模型和状态空间模型相结合，建立了交通流量的预测模型，并应用卡尔曼 滤波递推算法进行求解，并在获得预测交通流量的基础上，转化成路径旅行时间。 y a n gf 等【1 7 】建立了交通流预测广义的状态空间模型，通过利用最大似然估计法 离线计算噪声协方差矩阵和状态转移矩阵，并用卡尔曼滤波算法在线递推求解模 型，实现了交通流预测，获得的结果比其他方法好。 卡尔曼滤波法模型的基础是线性估计模型，当预测间隔小于5 分钟时，交通 流量变化的随机性和非线性性再强一些时，模型的性能是否会变差，还值得进一 l o 步研究。 2 1 2 神经网络 人工神经网由于其高度非线性映射的能力，使得其在预测方面的研究出现了 热潮，也取得了一定的成果。神经网络具有识别复杂非线性系统的特性，交通系 统是复杂巨系统，因此神经网络比较适合于交通领域应用。它采用典型的黑箱式 学习模式，不需要任何经验公式，就能从已有数据中自动的归纳规则，获得这些 数据的内在规律，即使不清楚预测问题的内部机理，只要有大量的输入输出样本， 经神经网络、黑箱内部自动调整后，便可建立良好的输入输出映射模型。此外， 神经网络具有独特的并行结构、联想记忆、较强的容错性和鲁棒性等特点。神经 网络在交通流预测中的应用，在一定程度上摆脱了建立精确数学模型的困扰，为 研究工作开辟了新的思路。 d o u g h e r t y 等【1 8 】将b p 神经网络用于城市道路的交通流量、速度、占有率的 短期预测，为了减少大量多种输入参数的问题，使用逐步减少神经网络模型尺寸 的方法，并成功用于预测交通流量和占有率，但是用于预测速度的效果不好。v a n l i n t 1 9 】提出用递归神经网络进行高速公路旅行时间预测。他采用状态空间模型来 确定神经网络的结构，避免了通常需要主观确定神经网络结构的缺点，其预测误 差小于1 0 。p a r kb 等【2 0 j 对反向传播神经网络和径向基神经网络进行了比较研 究，结论为径向基神经网络模型效果最好，而且比反向传播网络需要的计算时间 少。p a r kd 等【2 1 】采用以谱分析为基础的人工神经网络进行旅行时间的预测，采 用正弦变换技术以增加输入量线性分离性，并且与传统预测方法，如卡尔曼滤波、 指数平滑模型等比较，发现s n n 给出的结果最好。r i l e t tl r 等【2 2 】使用谱分析神 经网络预测路径旅行时间，先预测得到路段旅行时间，然后再合成路径旅行时间。 国内学者尹宏宾1 2 3 ，2 4 】提出模糊神经网络预测法，该方法将模糊聚类和神经 网络的学习功能有机结合在一起来研究交通流变化规律。模糊神经网络相比单纯 的神经网络具有很多优点：算法在使用时设定的参数基本上都无须精心设计，误 差较小，而且算法的收敛速度非常快，比神经网路快了近1 倍。尽管预测模型是 基于模糊理论的，但是使用起来并不需要进行规则设计，仅仅需要设定模糊聚类 空间的划分，这提高了预测算法的适应性，收敛过程比较平稳。 国内外利用神经网络进行交通流预测的研究和文献非常多【2 5 。3 2 1 ，综观这些方 法的特点，其原理还是利用神经网络的充分逼近非线性映射的能力来建立影响因 素与预测目标的函数关系，不同的只是在神经网络结构构造上、学习算法上、以 及在输入分量处理上有所差别。神经网络的缺点是，输入和输出关系物理意义不 够明确，各分量对结果影响程度难以度量，这是由神经网络的结构和原理决定的。 此外，神经网络结构的确定还没有数学理论指导，一般只能凭经验尝试多次才能 找到最佳结构。 2 1 3 时间序列模型 时间序列时域分析是上世纪7 0 年代活跃并发展起来的一种参数化模型处理 动态随机数据的实用方法。通过对实测数据序列的统计处理，将它拟合成一个参 数模型，再利用这个模型来分析研究实测数据序列内在的各种统计特性，从而可 以按照它的统计规律，利用现在和过去的观测值来预测其未来值。目前，该方法 已广泛应用于水文预测、股市行情预测、短期电力负荷预测、气象预测、商品销 量预测等实际问题，其理论相对比较成熟，因此时间序列预测模型也是一种比较 有潜力的预测模型。 在过去的几十年里，时间序列分析方法得到了迅速发展，至今已有大量文献 讨论了各种成熟的方法。线性时间序列比较常见的随机时间序列模型包括自回归 模型、移动平均模型、自回归移动平均模型，以及一些特定形式的模型，如混合 回归模型，门限回归自回归模型等。这些模型的定阶方法主要有最小最终预报误 差准则、信息论准则，及奇异值分解准则等。而参数估计方法则主要采用最d - - 乘法、极大似然估计，以及一些自适应方法，如最小均方误差算法、递推最d - - 乘算法等。时间序列模型所描述的对象是平稳序列，而交通量实际数据往往不能 满足这个条件，因此使用线性时间序列预测方法很难得到令人满意的效果，但是 有些序列经过一次或多次差分运算后可产生新的平稳序列，因此对这种时间序列 可以使用模型，模型将交通流量序列看成是更为一般的非平稳随机序列。 a h m e d 和c o o k 3 3 】于1 9 7 9 年利用b o x j e n k i n s 建模方法，将时间序列模型用 1 2 于高速公路交通流量和占有率预测。n i h a nn l 和h o l m e s l a n dk 0 t 3 4 】也运用 b o x j e n k i n s 技术研究了一个路段交通流量的预测。l i n g r a sp a w a n 等【3 5 】分析了不 同类型道路的交通流时间序列的特征，并将时间序列分析应用于交通流量的预 测。国内学者朱顺应、徐今强，谭国贤，翁小雄等【3 6 习8 】也使用时间序列方法预测 交通流量。韩超【3 9 】采用带遗忘因子的递推最小二乘方法对a r m a 模型参数进行 在线估计，并基于线性最小方差预报原理的a s t r o