（系统工程专业论文）城市环路交通流动态实时预测方法研究及系统实现.pdf

城市环路交通流动态实时预测方法研究及系统实现 摘要 交通拥挤和交通安全问题币越来越严重地困扰着世界各国的大 城市，人们越来越意识到，在加大对道路硬件设施投入的同时，必须 对现有的交通系统加强管理，运用先进技术，采取优化、预测、调整 措施，争取以较少的投入，最大限度地缓解交通拥堵。 环路交通是城市交通系统中重要的组成部分，充分利用已有的检 测设备和信息发布设备对环路交通流进行预测和诱导，对于避免交通 拥挤和堵塞、提高坏路乃至整个路网使用效率以及发挥环路运营管理 的最大可能功效，有着重要的意义。 本论文针对城市环路交通流预测方法进行研究，结合城市环路的 交通运行特性，构造出基于b p 神经网络和基于径向基神经网络的城 市环路交通流动态实时预测模型，并根据北京市三环路的实际数据对 模型进行验证，最后在此模型基础卜- 设计并实现了北京市三环路交通 流动态实时预测系统的原型。实证数据表明，本文所建立的交通流动 念实时预测模型的预测效果比较理想，预测结果相对准确，算法的实 时性也满足实际预测系统的要求，可用十交通流预测及交通智能控制 方面，具有较高的实用价值。同时，根据模型开发的内嵌g i s 功能的 北京市三环路交通流动态实时预测原型系统也具有较好的实用性。 关键词：交通流预测、预测模型、神经网络、g i s 城市环路交通流动态实时预测南法研究及系统实现 a b s t r a c t n o wt r a f f i cj a ma n dt r a f f i c s e c u r i t y a r eb e c o m i n gm o r ea n dm o r e s e r i o u sp r o b l e m st oe v e r y o n ew h ol i v e si nt h eb i gc i t y m o s to fp e o p l e r e a l i z et h a tt h em u n i c i p a lg o v e r n m e n ts h o u l ds t r e n g t h e nt o o p e r a t et h e r o a d sw i t ha d v a n c e dt e c h n o l o g i e sr a t h e rt h a nt ob u i l dr o a di n f r a s t r u c t u r e 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 s ( i t s ) t e c h n o l o g i e s s u c ha st r a f f i c c o n t r o lo p t i m i z a t i o na n dt r a f f i cf l o w f o r e c a s t i n gt e c h n o l o g i e sw i l lp l a y t h e i m p o r t a n tr o l e st oa s s u a g et h et r a f f i cj a n lo c c u r r e df r e q u e n t l yi nt h eu r b a n t r a f f i cs y s t e m t h et r a f f i co ff a s tr i n gr o a d si sav e r yi m p o r t a n tc o m p o n e n to ft h e u r b a nt r a f f i cs y s t e m t h et r a f f i cf l o wf o r e c a s t i n ga n dg u i d a n c ea r eh e l p f u l t oc a td o w nt r a f f i cj a ma n de n h a n c et h ee f f i c i e n c yo fu s eo fr i n gr o a d s ， e v e nt ot h ee n t i r er o a dn e t i nt h i sp a p e r , c o m b i n i n gw i t ha n a l y s i so nt h et r a f f i cc h a r a c t e r i s t i c so f r i n gr o a d s ，am o d e l o fd y n a m i cr e a l t i m ef o r e c a s t i n go fr i n gr o a d s t r a f f i c f l o wb a s e do nb pn e u r a ln e t w o r ka n dr b fn e u r a ln e t w o r ki sp r o p o s e d ， a n dt h et r a f f i cf l o wd a t ao fb e r i n gt h i r dr i n gr o a da r ee x p l o r e dt ot e s tt h e v a l i d i t yo ft h em o d e l a tl a s t ，t h ep r o t o t y p es y s t e mo fd y n a m i c r e a l t i m e f o r e c a s t i n g o fb e u i n gt l l i r d r i n g r o a d st r a f f i cf l o wi s d e s i g n e d a n d r e a l i z e db a s e do nt h em o d e lo fd y n a m i cr e a l - t i m ef o r e c a s t i n go fr i n g r o a d s t r a f f i cf l o w t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h ef o r e c a s t i n gd a t a o b t a i n e db yt h em o d e lc o r r e s p o n dt ot h ea c t u a ld a t ab a s i c a l l y , a n dt h e a l g o r i t h mo ft h em o d e lc a ns a t i s f yt h ed e m a n do fr e a l t i m ef o r e c a s t i n g ， t h u st h em o d e lc a l lb eu s e di nt h e t r a f f i cf l o w f o r e c a s t i n g a n dt h e i i 城市环路交通流动态实时预测方法研究及系统实现 i n t e l f i g e n tt r a f f i cc o n t r 0 1 i na d d i t i o n ，t h ep r o t o t y p es y s t e m e m b e d d e dg i s f u n c t i o ni sp r a c t i c a la n d f r i e n d l y k e yw o r d s ：f o r e c a s t i n g o ft r a f f i c f l o w , f o r e c a s t i n gm o d e l ，n e u r a l n e t w o r k ，g i s i l l 第一章绪论 1 1 选题背景 第一章绪论 交通拥挤和交通安全问题诈越来越严重地困扰着世界各国的大城 市，解决交通问题已成为全社会的共谢”。自上世纪8 0 年代以来，发 达国家丌始投入大量人力物力进行道路交通系统的管理与控制技术的 研究与开发。智能交通系统( i t s ，i n t e l l i g e n t t r a n s p o r ts y s t e m ) 的概念 应运而生【2 】，人们对i t s 也寄予厚望，希望它能为交通系统的可持续发 展提供技术支持与保障。 随着智能交通系统的蓬勃发展，智能交通控制与诱导系统成为i t s 研究的热点之。“交通流诱导系统”是交通运输进入信息化的标志， 它的目的和作用是：使人、汽车( 或移动目标) 和环境和谐相处，提 高人的时间利用率，提高道路的通行能力，减少环境污染。对于一个 完善的交通流诱导系统而言，实现其目的的关键是道路交通状况的预 测，也就是采用相应的技术，有效地利用实时交通数据信息滚动预测 短期内的交通状况，从而根据预测的道路交通状况实现交通流的诱导， 以避免交通拥挤，实现交通的畅通【3 】。 近些年来，北京市对道路建设投入了大量的人力物力，不仅按照 总体规划建成了二、三、四环三条快速环路，五环也全线贯通，投入 正常运营，现在六环也在积极的建设之中。北京市期望用环路来疏导 市中心区的交通。快速环路的建成，对疏导穿越中心区的车流，减轻 交通压力确实发挥了重要作用。然而在北京，城市道路的发展远远不 能满足机动车的飞速发展的需要。2 0 0 3 年，北京市机动车保有量突破 2 0 0 万辆，车流量也随之迅猛增长，而交通拥挤、事故增多、乘车难、 丌车难、停车难等交通现象也在北京r 益突出，交通问题已经成为一 个越来越迫切需要解决的重要f 引醒。人们越来越意识到，在加大对道 路硬件设施投入的同时，必须对现有的交通系统加强管理，运用先进 技术，采取优化、预测、调整措施，争取以较少的投入，最大限度地 第一帝绪论 缓解交通拥堵。 环路交通是北京公路交通系统中重要的组成部分，充分利用已有 的检测设备和信息发前j 设备对环路交通流进行预测和诱导，对于避免 交通拥挤和堵塞、提高环路乃至整个路网使用效率以及发挥环路运营 管理的最大可能功效，有着重要的意义。本论文针对城市环路交通流 预测方法进行研究，在构造出基于神经网络的动态实时预测模型的基 础上，设计并实现了北京市三环路交通流动态实时预测原型系统。实 证数据表明，本文所建立的交通流动态实时预测模型具有较高的精确 度，算法的实时性也满足实际预测系统的要求，同时，内嵌g i s 功能 的北京市三环路交通流动态实时预测原型系统也具有较好的实用性。 1 2 论文体系框架以及主要内容 第一章为绪论部分，简要介绍了论文的选题背景及意义、论文体 系框架以及主要内容。 第二章为交通流预测方法综述。首先介绍交通流理论的研究内容、 发展现状和主要模型。随后对交通流预测方法进行概述，主要介绍交 通流预测的应用、交通流预测的研究现状，并重点介绍了短时交通漉 预测的方法。 第三章介绍人工神经网络理论，重点介绍b p 神经网络和径向基神 经网络的相关理论。 第四章是本文的重点内容，在介绍城市环路交通运行特性的基础 上，构建了城市环路交通流动态实时预测模型，并分析了其动态实时 预测机制，同时给出了预测实例并对预测结果进行了分析。 第五章介绍了基于城市环路交通流动态实时预测模型的北京市三 环路交通流动态实时预测系统设计和实现的过程，同时对该系统进行 了评价，提出了系统有待改进之处。 论文第六章是结论与展望，对论文进行总结并提出下一步的研究 方向。 2 第一章交通流预测方法综述 第二章交通流预测方法综述 2 1 交通流理论概述 交通流理论是交通工程学的理论基础，它在交通运输工程的许多 研究领域都有着广泛的应用。交通流理论以分析的方法阐述交通现象 及其机理、研究各种不同密度的交通流特性及其表达参数之间的关系， 寻求最合理的物理模型并建立数学表达式，为合理制定交通治理方案、 增建交通设施、评定交通事故提供依据州。 2 1 - 1 交通流理论的研究内容5 】【6 】 交通流理论是一门发展中的科学，虽然现在还没有完全形成完整 的体系，但目前有很多理论在探讨各种交通现象，这些理论主要包括 如下内容： ( 1 ) 交通流参数关系模型。研究表示交通流特性的三个参数( 流量、 速度、密度) 的测量方法和统计分布特性及其三者之间的关系模型。 ( 2 ) 跟驰理论。研究车辆的跟驰行为、加速度干扰和交通的稳定性 等数学模型。 ( 3 ) 排队论模型。利用排队论理论研究车辆的排队等待行为。 ( 4 ) 流体力学模拟理论。利用流体力学理论研究交通流三个参数之 间的定量关系，并根据流量守恒原理重点研究交通波理论。 ( 5 ) 驾驶员行为模型。研究驾驶员在人、车、路、环境中的反应及 其对交通行为的影响。 ( 6 ) 无信号交叉口交通流理论。主要利用数理统计和排队论研究无 信号交叉口车流的可插车间隙和竞争车流之问的相互作用。 ( 7 ) 有信号交叉口交通流理论。研究信号交叉口对车流的阻滞理 论，包括稳态理论、定数理论和过渡函数曲线等。 ( 8 ) 交通影响模型。研究不同管制下交通的影响，包括交通安全、 3 第二章交通流顿测方法综述 燃料消耗和宇气质量等。 ( 9 ) 交通模拟。研究计算机模拟技术存交通流分析中的应用。 ( 1 0 ) 交通分配。研究交通分配的基本理论和方法以及这些理论和 方法的应用。 ( 1 1 ) 实时动态交通流预测。研究实时交通流预测( 一般预测间隔 在1 5 分钟之内) 的模型和方法。 前l o 个方面是交通流理论的经典内容，而实时动态交通流预测的 有关理论和方法是近几年兴起的，很多专家学者对此给予了极大的关 注，已经涌现出了询：多有价值的研究成果，这一点在后面的论文巾还 有详细论述。交通流理论是一个动态发展的理沦体系，随着交通运输 工程需求和科学技术的发展，必将出现更多的薮内容、新方法，从丽 不断丰富壮大交通流理论这一科学学科”。 2 1 2 交通流理论的发展7 。9 交通流理论在2 0 世纪3 0 年代才开始发展，经历了从自由流到非 自由流两个研究阶段。3 0 _ _ 4 0 年代主要为自由流理论研究，即研究交 通密度低、各车之间的车头间距较大、车辆处于自由行驶状态下的交 通流特征，这一阶段多采用概率论和数理统计的方法进行研究。1 9 3 3 年，k i n z e r j p 论述了泊松分布应用于交通分析的可能性。5 0 年代，随 着汽车工业和交通运输业的迅速发展，交通量、交通事故和交通阻塞 的骤增，交通流中车辆的独立性越来越小，迫使理论研究者寻求新的 模型，交通流研究进入了非自由流理论研究阶段，即主要研究对象转 变为密度较高、各车间距很小、车辆行驶受头车影响和限制的非自由 交通流。在这种情况下，原来采用的概率论方法越来越难以适应，于 是相继出现了车辆跟驰理论、基于流体力学的交通波理论和车辆排队 理论。1 9 5 9 年1 2 月，交通工程学和应用数学方面的学者1 0 0 多人在底 特律举行了首届交通流理论学术讨论会( t h ef i r s ti n t e r n a t i o n a l s y m p o s i u m o r lt h et h e o r yo f t r a f f i cf l o w ) ，并确定本次会议为三年一次 的系列会议( s e r i e so ft r i e n n i a ls y m p o s i ao nt h et h e o r yo ft r a f f i cf i o w 4 第二章交通流预测方法综述 a n d t r a n s p o r t a t i o n ) 的首次会议。从此，交通流理论的研究进入了一个 迅速发展的时期，到1 9 8 1 年已举行了8 次交通流理论的专题讨论会。 1 9 7 5 年，d a n i e l i g 和m a r t h o w j h 汇集了各方面的研究成果，出版了 交通流理论一书，较全面、系统地阐述了交通流理论的内容及其 发展。 近些年来，各困科学家们研究构造出了大量的模型来解释复杂的 非线性交通流现象，典型的有b s k e r n e r t l 0 - 1 8 提出的初始均衡交通流的 聚类效应( 1 9 9 3 ) 1 0 l 、自组织交通流的实验特征( 1 9 9 8 ) 【l ”、三阶段 交通流理论( 2 0 0 3 ) 【1 2 】，d i r kh e l b i n g t ”2 ”提出的多车道排队效应交通 流模型( 1 9 9 6 ) 等等，这些研究成果都极大地推动着交通流理论的发 展。而且在最近l o 年里，随着智能交通系统的蓬勃发展，交通流理论 不仅在纯理论研究方面有着极大的进展，它还融合了其他新兴科学的 思想、理论和方法( 如人工智能、计算机模拟技术等) ，解决交通运输 研究中遇到的问题，包括对复杂交通流现象的模拟、解释和预测等， 这样为研究解决复杂交通问题开辟了新的思路，提供了新的方法。 目前交通流理论发展的趋势为：一方面，现代城市交通管理与控 制系统追求区域整体控制效果最佳，交通流诱导系统追求在动态交通 状态下车辆行驶路径最佳，这些都需要对整个城市交通进行宏观管理 与协调，所以要求研究路网范围的交通流理论，揭示路网点、线、面 的交通流特性的相互联系及交通流状态转移规律【2 2 。另外一方面，加 强利用计算机模拟技术和现代理论方法( 如人工智能、神经网络、模 糊控制) 已成为必然趋势。它们可以把那些用数学模型难以精确表达 的复杂交通流现象进行快速处理和归纳并进行形象生动的再现。为交 通控制和实时动态交通分配与诱导提供依据。 2 1 3 主要交通流理论简介口。9 】 ( 1 ) 排队论模型t 7 j t 8 】 排队论是研究“服务”系统因“需求”拥挤而产生等待行列( 即 第一章交通流预测方法综述 排队) 的现象，以及合理协调“需求”与“服务”关系的种数学理 论。该模型在研究车辆延误、通行能力以及停车场、加油站等交通设 施的设计和管理方面得到了很多应用。f 日是排队论建模要求有很强的 先决条件，所以限制了其广泛的应用，如排队论处理串联多服务台问 题时，常假定各个服务台相互独立，而实际交通流中各个服务台( 信 号跻【_ 】) 之间必然相互影响。 ( 2 ) 车辆跟驰模型【7 j j 跟驰理论是运用动力学方法，探究在无法超车的单一车道上车辆 列队行驶时，后车跟随前车的行驶状态，并且用数学模式表达并加以 分析阐明的一种理论。 它是- l 0 ，从而失去局部调整权值的优点，而事实上，当j 远离c 时， 【，已非常小，因此可作为0 对待。所以实际上，只当u 大于某一数值 ( 例如0 0 5 ) 时j 对相应的权值进行修改。经过这样处理后r b f 网络 也同样具备学习收敛快的优点。同时这样近似处理，可在一定程度上 克服高斯基函数不具备紧密性的缺点。 由上掰述，r b f 事申经网络的学砑过程可分为瓣个阶段。第一除段， 采用最近邻聚类算法确定隐节点个数、各节点的离斯函数的中心值c 和标准化常数仃。第二阶段，在确定好隐层的参数后，根据群本，利 用最小二桊原刘，求港输出层的投馕彤。有时在完成第二阶段的学习 后，再根据样本信号，同时校f 隐朦和输出层的参数，以进一步提高 网络的糖发。 3 6 b p 神经网络与r b f 神经网烙的性能比较 b p 享枣缀题终与r b f 襻经网络有缀多鞠强装特憋。它褒郝哥汉趱寒 近似表示任意的连续非线性函数，熊主要区剐在于两者各使用不同的 作用函数，b p 网络的隐层节点使用的是s i g m o i d 函数，其函数值在输 入空阉中泛蔽大数范聚内为菲零毽；嚣r b f 豹戆矮节点壶豫蘸蕺核函 数那样的辐射状作用函数构成，这种作用函数对输入信号将在局部产 生响应，也就是说，当输入信号靠邋核函数的中央范围时，隐层节点 将产生较大的输出。出戴霄以看如遨静网络豹捧髑函数是蜀部的。b p 神经网络与r b f 禳经网络的优缺点魄较如表3 3 所示。 第三章人工神经网络理论 表3 3b p 神经网络与r b f 神经网络的优缺点比较 优点缺点 b p 神经结构简单，泛化性强收敛速度慢、易陷入局韶极 网络小点 r b f 神具有较高的运算速度、最佳逼有时需要比b p 网络多得多 经网络近性能和全局最优的特性 的隐含层神经元来完成工作 本章小结： 本章介绍人工神经网络理论，主要介绍了人工神经网络的定义及 其特征、人工神经网络的应用、人工神经网络的学习方式，并重点介 绍了b p 神经网络和r b f 神经网络的相关理论，为下一步构建基于b p 神经网络和r b f 神经网络的城市环路交通流动态实时预测模型阐明理 论基础。 第四章城市耶路交湎流动态实时预测模型 第四章城市环路交通流动态实时预测模型 4 1 城市环路交通流特性 4 1 1 城市环路的定义h 7 1 城市环路是指位于城市中心市区及周围紧密联系区之内的，环绕 中心市区的城市内快速道路。城市环路属于城市快速道路的范畴。城 市快速道路分为城市内快速道路和城市间快速道路。城市内快速道路 又分为城市环路和与环路相交的辐射线。典型的城市环路有北京的二、 三、四环，上海的内环、外环，天津的外环、中环。 城市环路的功能是为城市大运量、长距离的快速交通服务。为了 保证车辆行驶的快速和安全，环路在对向车行道之间设分隔带，其进 出口之问采用完全控制或部分控制。另外，城市环路与城市干道网交 织在一起并频繁相交，因此城市环路为了兼顾交通的集疏功能，在环 路的两侧需要修一段平行的道路，作为车辆进出环路的跳板，这种道 路叫环路的辅道系统，或称为集散道路，也就是大家平时所蜕的环路 的辅路。 城市环路与其他道路相比，在道路结构、交通运行特性方面有着 自身的特点。下表4 1 说明了城市环路在道路结构和状态方面的特点， 而在下一节则阐述城市环路在交通运行特性方面的特点。 表4 - 1 城市环路在道路结构和状态方面的特点f 4 7 】 道路道路呈放射性环状形式 结构结点多，路面范同大，出入口匝道多，间距短 承担市内交通，交通需求大，交通量接近于通行能力。因此，常发 道路 性拥挤频繁发生 系统 山行距离短，对很小的速度损失也敏感 出口匝道与没有富余通行能力的平面相接，强制车辆从匝道驶出比 状态 较困难 乍辆构成变化小 4 1 2 城市环路交通运行特性 交通系统包括司机、车辆和道路三方面的因素，这三方面因素各 自的特性以及相瓦作用后所体现出的交通流特性就是道路的交通运行 特性。 ( 1 ) 城市坏路的人车路特性 司机特性：人是交通系统中最活跃的因素。司机的个性差异直接 影响交通运行特性。城市环路系统中的司机基本上为市区每天上下班 及其他常规用户。 城市环路采用控制进入，并设有中央分隔带，排除了大部分横向 车流干扰和对向车流干扰，车辆受到的干扰主要束自同向车流相互之 间的影响，包含了较多的人为因素。 车辆特性；车辆作为独立个体具有的特性包括长度、宽度、迎风 面积、空车重量等，车辆作为一个总体则具有运行特性和动力特性。 通过对北京三环路的观测可以看出，在环路系统中运行的车辆种类繁 多，车辆的动力特性相差较大，但是车辆构成变化小，占绝大比重的 是车长小于6 米的车辆。 车辆运行特性：城市环路承担了市区的重要交通，交通需求大， 交通量接近通行能力，经常发生交通堵塞。在多数情况下，环路的车 辆运行处于相互影响的跟驰状态。 道路特性：一般而言，影响交通运行特性的道路几何特性参数包 括行车道宽度和侧向净空、平曲线、纵坡、车道数和车道位鬣、视距、 路面条件等。我国城市环路的设计标准是比较高的，所以道路几何条 件对交通运行特性的影响比较小。 ( 2 ) 城市环路的交通流特性 交通流特性描述的是交通系统的总体特性，包括交通流量分布、 车辆平均速度分布和车辆密度分布。城市环路和一般城市道路相比具 有不同的交通流特性。一般城市道路的交通流呈间断性，车流的运行 常受到一些规定操作地点的控制( 如交叉口、信号灯、路口标志等) ， 断面交通构成为机动车与非机动车混合行驶，路口间距也是影响通行 能力的重要因素。而城市环路的交通流类似于高速公路交通流，可看 第四章城市环路交墒流动态实时预测模型 作封闭j 不路，无横向下扰，车辆在规定的出入口进行流量分配，杜绝 非机动车进入，减少了不同速度的车辆问的纵向摩擦。它在一定的密 度范围内提供稳定的连续交通流运行模式，更接近自然交通流，更能 反映交通流本身的运行特征。 4 2 交通流动态实时预测模型 假设某城市环路依据一定距离间距a x 安装了交通流检测设备，并 以固定采样周期检测交通流量、速度和占有率数据。现依据人工神经 网络工作机理，构建城市环路交通流动态实时预测模型。 4 2 1 城市环路交通流动态实时预测模型 媲撼吏鹏銮嫩麴查翅塑型攫型麴髓蚕 ；学习过程 训练样本输入 五仳- n ) ( 女一n + d - 玉( t 一1 ) 五( 七一h )( 七一n + 1 ) 耳( 盘一1 ) ( k 一哪( 一n + b ( 一1 ) 训练样本输出 以+ 卅一1 )h + 卅一1 )q ( 七+ m 1 ) z ( 盘+ m 1 )v a k + r a 一1 )。f ( 七+ m 1 ) 丘( 毛十m 1 ) ( k + m 1 ) 让+ m 一1 ) 玉( 七一h + 1 )薯( 七一一+ 2 )玉( 七) 眯一n + 1 ) 一n + 2 ) 仳) 乒( 七+ 埘)萨f ( 七+ m )6 ，( 七+ ) 克( 女+ m ) 口。( 女+ m ) d 。( 女+ m ) ： 预测样本输入预测结果 ；预测过程 ( 4 1 ) 第p q 章城市环路交通流动态实时预测模型 模型中各符号意义如下： k ：采样时点。 i ：预测位置点。 w f j 】：k 时点的神经网络学习权重矩阵，用来预测k + m 时点的交通流 量、平均速度和占有率。 工( 女) ：第i 个预测位置点k 时点的交通流量实际值。 v i ( ) ：第i 个预测位置点k 时点的平均速度实际值。 0 ，( 女) ：第f 个预测位置点k 时点的占有率实际值。 五( 女) ：第f 个预测位置点k 时点的交通流量预测值。 q ( 七) ：第f 个预测位置点k 时点的平均速度预测值。 6 ；( 女) ：第f 个预测位置点k 时点的占有率预测值。 一( ) ：第f 个预测位置点k 时点的交通流实际值向量。 x ，( ) = ，f f ( t ) v f 一# ( k ) o i - f ( k ) 工一。( 女) v l - a ( ) o i - c t ( ) 工( k ) q ( 足) 0 i ( k ) 正+ 口( ) v 。+ 口( k ) d f 叩( ) z ( ) 叶+ 口( t ) d f 。) 】 ( i - 1 ，2 ，) ( 4 2 ) 其中： i 一口：第f 个预测位置点前口个检测器所在位簧点。 i + 卢：第i 个预测位置点后卢个检测器所在位置点。 工一。( k ) ：第f 个预测位置点前口个检测器所在位置点，k 时点的交通流 量实际值。 ，+ ，( t ) ：第f 个预测位置点后个检测器所在位置点，七时点的交通流 量实际值。 第四章城市环路交通流动态实时预测模型 v ( ) ：第i 个预测位置点前睇个检测器所在位置点，k 时点的平均速 度实际值。 v i + p ( k ) ：第i 个预测位置点后口个检测器所在位置点，k 时点的平均速 度实际值。 0 ，。( 七) ：第i 个预测位置点前口个检测器所在位置点，k 时点的占有率 实际值。 o i + f l ( 七) ：第z 个预测位置点后卢个检测器所在位置点，k 时点的占有率 实际值。 通过模型可以看出，在k 时点的学习过程为：把国个预测点从b 时点到k - l 时点的交通流向量数据作为样本输入，把这埘个预测点 k + m 1 时点的交通流量、平均速度和占有率作为样本输出，用来训练网 络，从而得到k 时点的网络权重矩阵。在k 时点的预测过程为：把这印 个预测点从k - n + l 时点到k 时点的交通流向量数据作为样本输入，用训 练好的网络进行预测，得到k + m 时点的交通流量、平均速度和占有率 的预测值。 4 2 2 动态实时预测机制 如果当前时点从k 变为k + l ，在模型中用“l 代替k ，这样训练样 本输入变成 f x ( k i 1 + 1 ) x ( k 一力+ 2 ) x ( t ) 】 其中： x ( ) = k ( 女) x 2 ( k ) x a k ) z 。( k ) 与当前时点为k 时的训练样本输入 i x ( 女一”) x ( k n + 1 ) x ( k 一1 ) 】相比 x ( k n ) 。 ( 4 3 ) 增加了x ( 七) ，去除了 笫四章城市环路交通流动态实时预测模型 同理，如果当前时点从k 变为抖l ，训练样本输出与当前时点为k 时的训练样本输出【f ( k + m 1 ) v ( k + m 1 ) o ( k + m 1 ) 】相比，变成 了 f ( k + m ) v ( k + m ) o ( k + m ) 其中： f ( 七十m ) = 阮( 七+ ) f 2 ( k + r n ) f i ( k + m ) 厶( 七+ 叻】 ( 4 - 4 ) y ( 七+ m ) = v l ( 七十，彩v 2 ( k + m ) ，v i ( 七十m ) - v 。( 七+ ，国】 ( 4 5 ) o ( k + 1 ) = k l ( 七十吣0 2 ( 盘+ 1 ) d f ( 七+ m ) - o o j ( 盘+ ，哟】( 4 6 ) 同理，如果当前时点从k 变为胁1 ，预测样本输入变成 【x ( k n + 2 ) x ( k h + 3 ) x ( + 1 ) 与当前时点为k 时的预测样本输入 【x ( k n + 1 ) x ( k n + 2 ) x ( k ) 】相比，增加了x ( k + 1 ) ，去除了 x ( k n + 1 ) 。并且当前时点为k 时的预测样本输入等于当前时点为“l 时的训练样本输入。 同理，如果当前时点从k 变为k + l 时，预测结果与当前时点为k 时的预测结果沪( + ) 矿( 七+ 州) 6 ( + ，1 ) 】相比，变成了 l p ( k + ，竹+ 1 ) 矿( 七+ m + 1 ) d ( 七+ m + 1 ) j 其中： 讯+ m + d ：瞻晴+ 肿d 艇+ 舯棚船+ 卅i ) 缸+ ，斛1 ) ( 4 - 7 ) m + + 1 ) = 豫( 七+ - 肼d 龟( 七甜1 ) 日忙+ 惜9 吃肛 + 玎( 4 8 ) 诹+ m + 1 ) = 陷 + 珊 黟龟啦，甜d 辱啦+ ，抖母龟肚+ 肼玎( 4 9 ) 下面图4 - 1 表示出当前时点从k 变为“1 时，i ) l l 练样本输入、训练 3 1 第叫章城市环路交通流动态实时预测模型 样本输出、预测样本输入和预测结果的动念变化，体现出随着时简j 的 变化，模型进行动念预测的机制。 图4 - 1 动态实时预测机制 随着时间的推进，当f j 对点从k 变为“1 “n ，一真这样进行 下去，模型就滚动地加入新的数据，剔除旧的数据，得到新的预测结 果，从而就实现了交通流的动态实时预测。 4 2 3 预测实例及结果分析 北京市有关交通部门在三环路沿线选取了7 4 个检测点，在每个检 测点上安装了远程交通微波传感器( r t m s ) ( 编号从3 0 0 1 到3 0 7 4 ) ， 第四章城市环路交通流动态实时预测模型 并以每两分钟为采样周期检测交通流量、速度和占有率数据。选取编 号为3 0 5 0 、3 0 4 6 ，3 0 4 4 73 0 4 2 、3 0 3 8 、3 0 3 3 ，3 0 2 9 、3 0 2 4 ，3 0 1 9 ，3 0 1 6 、 3 0 1 1 、3 0 0 8 、3 0 0 3 、3 0 7 2 、3 0 6 9 、3 0 6 5 、3 0 6 2 、3 0 5 7 、3 0 5 4 的检测点 作为预测点，取相邻两时点间隔为两分钟( 即时点抖1 与七相差两分钟) ， 当前时点从2 0 0 2 年6 月4 同1 7 点0 8 分取到1 7 点1 4 分。下面应用城 市环路交通流动态实时预测模型分别滚动预测出当前时点两分钟和十 分钟后的交通流量与平均速度，并对结果进行分析。 选取的1 9 个预测点的位置点编号、检测器编号、位置和地图上的 名称如表4 2 所示，它们在地图上的位置关系如图4 - 2 所示。 图4 - 2 选取的1 9 个预测点在地图上的位置 第四章城市环路交通流动态娑时预测模型 表4 - 2 系统所选1 9 个预测点的编号、位置和名称 预测点检测器 位置 在地图上 编号编号 的名称 l 3 0 5 0苏州桥南北外宾馆前( 内环) 地苏州桥 下通道口 2 3 0 4 6 紫竹桥南第二个天桥，首都师范紫竹桥 大学门口 33 0 4 4 航天桥北人行天桥南4 0 米航天桥 43 0 4 2 新兴桥南玉渊潭公园大门南侧新兴桥 5 3 0 3 8 六里桥北天桥南7 0 米六里桥 63 0 3 3 丰益桥北天桥南1 0 0 米 丰益桥 73 0 2 9 玉泉营桥东第一个天桥下，长信玉泉营桥 特钢标志牌 8 3 0 2 4 木樨园桥东，邮电局前灯杆与树木樨园桥 之间( 内环) 9 3 0 1 9 东铁营立交桥下西北角( 内环)东铁营桥 1 03 0 1 6 分钟寺桥南( 内环) 桥下通道口 分钟寺桥 l l 3 0 1 l 劲松桥下路口南侧1 1 0 米劲松三劲松桥 区3 0 1 楼 1 23 0 0 8 国贸桥南铁路桥南1 7 0 米便道上国贸桥 ( 内环) 1 3 3 0 0 3 长虹桥南( 兆龙饭店东口) 内环长虹桥 便道上( 内环) 1 4 3 0 7 2 三元西桥下十字路口西南角三元桥 1 5 3 0 6 9 太阳宫铁路桥东约1 0 0 米 太阳宫桥 1 6 3 0 6 5 安贞桥西1 7 0 米桥下隔离带内 安贞桥 1 7 3 0 6 2 马甸桥东天桥西5 0 米 马甸桥 1 8 3 0 5 7 蓟门桥西9 5 米天桥东 蓟门桥 1 93 0 5 4 联想桥下十字路口西南角联想桥 第四章城市环路交通漉动态实时预测模型 4 2 3 1 动态实时预测当前时点每2 分钟后的交通流量和平均速度 在该预测实例中，城市环路交通流动态实时预测模型的各参数变 为：第一个当前时点k 为2 0 0 2 年6 月4 日1 7 点0 8 分，h 为5 ，卅为1 ， 为1 9 。取孝为4 ，叩为5 ，也就是说，每个预测位置点的交通流向量 数掘包括该预测位置点和该预测位置点前1 到4 个检测器所在位置点 以及该预测位置点后1 到5 个检测器所在位置点的所有交通流量、平 均速度、占有率。即： j ，( 女) = 工一4 ( ) 1 ) i _ 4 ( 女) 0 1 - 4 ( ) ， 一3 ( t ) v i - 3 ( 女) o i - 3 ( k ) ( 女) v ( 女) 0 i ( ) 工+ l ( 女) v ( ) 0j + i ( ) 工* ( 女) v i + 5 ( 女) 0 f + 5 ( 女) 】 ( i - 1 , 2 ，1 9 ) ( 4 - 1 0 ) 因此在该实例中，模型变形为： ； 学习过程 训练样本输入训练样本输出 ； 预测样本输入 预测结果 预测过程 ( 4 一1 1 ) 第心章城市环路交通流动态实时预测模型 随着时间的行进，当前时点从2 0 0 2 年6 月4 只1 7 点0 8 分取到j 7 点1 4 分，每两分钟变化一次，这样就可以实时滚动地预测下去了。 预测实例在m a t l a b 环境下进行，下面分析预测结果。 ( 1 ) 选取神经网络为b p 神经网络时的预测结果分析 1 ) 网络结构设计 构造b p 神经网络结构如图4 3 所示。 图4 3b p 神经网络模犁结构蚓 在模型结构图中，数据处理器的作用是将远程交通微波传感器 ( r t m s ) 检测到的交通流量、速度和占有率的原始数据进行适当处理， 使其落入指定区间( 0 ，1 ) 之内，以构成输入样本。 网络结构的设计主要考虑了以下三个方面的因素： 层的选择。理论上已经证明：三层神经网络可以实现任意复杂 的非线性映射问题，因此选用三层b p 神经网络( 输入层、隐层、输出 层) ，进行自适应预测。 传递函数的选择。隐含层神经元输出采用s i g m o i d 型传递函数， 这种类型的函数输入可以取任意值，输出在o l 之间，然而输出层的 实际输出远大于l ，所以输出层采用线性传递函数，则网络输出可以为 任意值。 输入变量的选择。神经网络预测模型的一个优点是可以考虑尽 第四章城市环路交嬉流动态实时预测模型 可能多的影响因素，将多个相关变量作为网络输入。交通路网是一个 大系统，路段上某一时段的交通状况必然受到该路段前几个时段的交 通状况的影响，也必然受到其上下游相关路段前几个时段的交通状况 的影响。因此，本预测实例在选择输入变量时综合考虑本预测点及其 上下游位置点前几个时段的交通流量、速度和占有率。 网络具体参数设定如下所列： 输入单元：1 5 0 个，每个单元为包含1 9 个元素的向量。训练输入 样本为1 9 个预测位置点及其前4 个检测器所在位置点( i - 1 ，i - 2 ， f 一3 ，i - 4 ) 以及后5 个检测器所在位置点( i + 1 ，i + 2 ，f + 3 ，j “，i + 5 ) 在女一l 时点、一2 时点、缸3 时点、k - 4 时点、肛5 时点的流量、速度 币u 占有率( 取的是外环方向上各车道检测数据的平均值) ；预测输 入样本为1 9 个预测位置点及其前4 个检测器所在位置点( i - l ，i - 2 ， i 3 ，“) 以及后5 个检测器所在位置点( i + 1 ，i + 2 ，i + 3 ，f “，“5 ) 在k 时点、1 时点、k - 2 时点、女一3 时点、k - 4 时点的流量、速度和 占有率数据。相邻两时点间隔为两分钟。 1 个隐含层，含8 个隐层单元。 输出单元：2 个，为包含1 9 个元素的向量。训练输出样本为1 9 个 预测位置点在k 时点的交通流量和平均速度；预测输出样本为1 9 个预测位置点在h 1 时点的交通流量和平均速度。 学习率：0 0 5 。 误差目标：l e 3 。 学习次数：2 0 0 0 0 。 2 ) 结果分析 当前时间为2 0 0 2 年6 月4 日1 7 点0 8 分，预测1 7 点1 0 分的交通流 量和平均速度，下面是预测结果与实际值的对比曲线图 第四章城市环路交通流动态实时预期4 模型 圈4 - 4 ( a ) b p 网络预测的1 7 点l o 分的交通流最值与实际值的对比曲线 平均遮度曲拽 j 掣 捌 i 图4 - 4 ( b ) b p 网络预测的1 7 点1 0 分的平均速度值与实际值的对比曲线 预测结果的误差如表4 3 所示： 表4 3 1 7 点l o 分的预测结果的误差( b p 网络) i 误差指标值 a e m a em a p em s er m s e l 交通流量 o 2 2 4 05 - 3 6 8 0 0 0 8 4 4 4 2 1 5 0 7 6 4 9 2 4 l 平均速度 3 2 9 5 0 7 1 4 1 90 4 3 8 01 4 7 9 9 5 41 2 1 6 5 3 各误差指标定义如下： 平均误差 a = 三r ：窆i = l k 一# ) 平均绝对误差 r 4 - 1 2 ) 一量a掣蚪一器耀叫取 第四章城市环路交通流动态实时预测模型 由于预测误差有正有负，若直接求其平均数则正负误差将抵消。 因此，平均误差不能说明预测误差的大小，为避免这个缺点，可以将 各预测误差的绝对值加起来计算其平均数，这就是平均绝对误差。其 计算公式为： 心= 吉弘一菇 c 4 m ， 平均相对误差 这是一个相对误差的平均指标，由于它是一个相对值可以消除 不同的计量单位的影响，便于进行比较。其计算公式为： m a p e = 喜f 孚卜 f 4 1 4 ) 均方误差 均方误差是预测误差平方之和的平均数，它同样避免了正负误差 抵消的问题。在判断预测误差的大小上，均方误差由于对误差进行了 平方，加大了数值大的误差在指标中的作用，从而提高了这个指标的 灵敏性，因而它比其它指标能更好地衡量预测误差。其计算公式为： 脱= 丢主g ；一x ? ) 2 ( 4 1 5 ) 均方根误差( 标准误差) 此指标是均方误差的平方根。均方误差和均方根误差类似数理统 计中广泛应用的方差与标准差。其计算公式为： r m s e 2 掳私叫) 2 ( 4 1 6 ) 其中：置为实际值，z ? 为预测值。 从预测结果和误差分析可以看出：应用b p 网络预测的1 7 点l o 分 的交通流量值大致符合实际值，虽然在有的预测点预测得较为准确， 在有的预测点较不准，但总的偏差不大；而在对平均速度的预测中， 编号为5 的预测点( 预测点实际编号为图中预测点编号加1 ，因为图中 编号是从0 开始取的) 是一个突变点，预测值误差很大，尽管对其他 第四章城市环路交通流动态实时预测模型 预测点预测较准确，但还是造成总体偏差较大。 当前时问为2 0 0 2 年6 月4 日1 7 点1 0 分，预测1 7 点1 2 分的交通流 量和平均速度，下面是预测结果与实际值的对比盐线图 交通流量曲拽 图4 - 5 ( a ) b p 网络预测的1 7 点1 2 分的交通流量值与实际值的对比曲线 平均述度曲线 图4 - 5 ( a ) b p 网络预测的1 7 点1 2 分的平均速度值与实际值的对比曲线 预测结果的误差如表4 4 所示： 表4 41 7 点1 2 分的预测结果的误差( b p 网络) 误荠指标值 a em a em a p e m s er m s e 交通流量0 8 6 8 24 7 5 3 30 0 2 2 73 6 7 0 9 46 0 5 8 8 【平均速度 1 4