（计算机应用技术专业论文）基于灰色系统的交通流预测算法研究和应用.pdf

独创性声明 i | i i iiii ii ii ii ii ii iii ii y 18 9 5 19 8 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。除文中已注明引用的内容以外，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，也不包 含为获得江苏大学或其他教育机构的学位或证书而使用过的材料。对 本文的研究做出重要贡献的个人和集体，均己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。 学位论文作者签名：右耋 卅年夕妇夕日 学位论文版权使用授权书 江苏大学、中国科学技术信息研究所、国家图书馆、中国学术期 刊( 光盘版) 电子杂志社有权保留本人所送交学位论文的复印件和电 子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文 档的内容和纸质论文的内容相一致，允许论文被查阅和借阅，同时授 权中国科学技术信息研究所将本论文编入中国学位论文全文数据库 并向社会提供查询，授权中国学术期刊( 光盘版) 电子杂志社将本论 文编入中国优秀博硕士学位论文全文数据库并向社会提供查询。 论文的公布( 包括刊登) 授权江苏大学研究生处办理。 本学位论文属于不保密口。 学位论文作者签名：座耋 沙刚月夕日 币签痧涉 洲引乒7 江苏大学硕士学位论文 摘要 近年来随着交通技术的进步，交通设施不断得到改善，智能交通系统( i t s ， i n t e l l i g e n tt r a n s p o r ts y s t e m ) 的应用也越来越广泛。智能交通系统中的交通诱导子 系统是出行和运输管理系统的主要内容，准确的短时交通流预测对于合理诱导和 控制交通、减少交通拥挤等具有重要作用。目前，交通流预测模型存在着运算复 杂、运算时间长、需要大量历史数据、精度不高等缺点。 本文研究的目的在于建立一个能够克服上述缺点的交通流预测模型。灰色 预测模型g m ( 1 ，1 ) 最大的特点就是算法简单、运算时间短、可利用较少的数据建 模，这给建模和运算带来了方便。但是，灰色预测模型所存在的背景值误差和对 于随机波动性系统来说预测效果不是很理想，而且预测准确率会随着时间的外推 而逐渐降低。因此，本文在对现有灰色预测模型进行研究的基础上，提出不同交 通量原始数据情况下的灰色交通流预测模型，并通过实验验证了模型的有效性。 本论文的主要研究成果如下： l 、针对g m ( i ，1 ) 模型背景值存在的缺陷，在分析背景值误差产生原因的基 础上，提出了一个新的背景值计算方法：即用非齐次指数函数模拟一次累加生成 序列，根据原序列与一次累加生成序列的关系重构背景值计算公式，得到实际曲 线在区间上的面积作为背景值。 2 、针对随机振荡序列不能满足g m ( i ，1 ) 模型建模条件的情况，提出先对原 始序列进行一次累加生成一个单调递增序列，再利用变权弱化缓冲算子对生成的 序列做弱化缓冲变换，用最终得到的序列进行g m ( i ，1 ) 模型建模预测。 3 、针对短时交通流数据呈s 形变化时，g m ( 1 ，1 ) 不能获得很好的预测效果， 本文提出在交通流数据呈现s 形变化时，利用灰色v e r h u l s t 预测模型进行模拟预 测，通过理论分析了该模型的可行性，利用交通流数据验证表明：与g m ( i ，1 ) 预测 模型相比，v e r h u l s t 预测模型在交通流呈现s 型变化时具有更好的预测效果。 4 、在灰色理论研究的基础上，结合深圳市智能交通系统的发展及道路交通 管理现状需求，应用j 2 e e 架构中的三大开源框架s s h 技术，设计开发了“预测 系统原型”的一个系统。 关键词：交通流，g m ( 1 ，1 ) 模型，背景值，预测，振荡序列，v e r h u l s t 江苏大学硕士学位论文 a bs t r a c t r e c e n t l yw i t ht h ep r o g r e s so ft h et r a f f i ct e c h n o l o g y , t h em e a n so ft r a n s p o r t a t i o n i sp r o v e da l s oa n dt h ea p p l i c a t i o no fi t s ( 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 sm o r e e x t e n s i v e t h et r a f f i ci n d u c e m e n ts u b s y s t e mi st h ep r i m a r yc o n t e n t so ft r a n s p o r t a t i o n m a n a g e m e n ts u b s y s t e m t h ep r e c i s ep r e d i c t i o no fs h o r tp e r i o dt r a f f i cf l o wi s a sa n i m p o r t a n tr o l ei ng i v i n go u tt h ea g r e e a b l ei n d u c e m e n ta n dc o n t r o l l i n go f t h en e x tt i m e t or e a l i z er a t h e rr o u t ec h o i c ea n dd e c r e a s et h et r a f f i cj a m p r e v i o u s l yt h em o d e lo f p r e d i c t i o no ft r a f f i cf l o wh a v ed i s a d v a n t a g et h a tt h et i m eo fo p e r a t i o ni st o ol o n g ，a l a r g ea m o u n to fh i s t o r i c a ld a t ai sr e q u i r e da n dt h ep r e c i s i o nl o w s ot h ea u d yo f s h o r t - t e r mt r a f f i cf l o wf o r e c a s t i n gh a sac e r t a i np r a c t i c a ls i g n i f i c a n c e i nt h i sp a p e lw ea i ma to v e r c o m i n gt h ed i s a d v a n t a g eo ft h ep r e d i c t i o nm o d e l t h a tr e f e r r e da b o v e t h em e r i to fg r e ym o d e lg m ( 1 ，1 ) i st h a tt h ea r i t h m e t i ci ss i m p l e a n di tc o nu s ef e wd a t at oc o n s t r u c tt h em o d e l ，t h e s eb r i n gt h ef a c i l i t yo fc o n s t r u c t i n g m o d e lb u tt h eg r e ym o d e lt op r e d i c tt h er e s u l to ft h ef l u c t u a t i n gs y s t e mc u r s o r i l ya n d t h ep r e c i s i o nr a t ed e c r e a s i n gw i t ht h et i m eg o i n go n b a s e do na n a l y s e sa n d s u m m a r i e so ft h ee x i s t i n gg r e yp r e d i t i o nm o d e l ，t h et h e s i sp r e s e n t st w og r e y p r e d i c t i o nm o d e l so ft r a f f i cf l o wo nd i f f e r e n tt r a f f i cf l o wo r i g i n a ld a t a a n dt h e ya r e c e r t i f i e de f f e c t i v et h r o u g ht h ee x p e r i m e n t s m a j o rj o b sa r ea sf o l l o w s ： 1 a c c o r d i n gt ot h ed e f e c t so ft h eb a c k g r o u n dv a l u eo ft h eo r i g i n a lg m ( i ，1 ) m o d e l ，a n a l y s i s i n gt h ec a u s e so fe r r o ra n di m i t a t i n gt h ea c c u m u l a t e ds e q u e n c ew i t h n o n h o m o g e n e o u se x p o n e n t i a lf u n c t i o n ，t h e no nt h e b a s i so ft h er e l a t i o n s h i p b e t w e e nt h es e q u e n c ea n dt h ea c c u m u l a t e ds e q u e n c et h a tc a l l r e c o n s t r u c tt h e f o r m u l af o rc a l c u l a t i n gt h eb a c k g r o u n dv a l u e ，w h i c hi st h ea r e at h a tp r a c t i c a lc u r v e g e n e r a t e si n t h e r e g i o na n df u r t h e ro p t i m i z et h eb a c k g r o u n dv a l u ec a l c u l a t i o n f o r m u l a 2 s e q u e n c ef o rt h er a n d o mo s c i l l a t i o nc a n n o tm e e tt h eg m ( 1 ，1 ) m o d e l i n g c o n d i t i o n s t h i sp a p e rp r o p o s e dam e t h o d f i r s t l y ，i tt u r n st h eo s c i l l a t i o ns e q u e n c e i n t om o n o t o n es e q u e n c eb ya c c u m u l a t i o ng e n e r a t i o no p e r a t o r ，t h e nr e u s eo fv a r i a b l e 1 1 1 江苏大学硕士学位论文 w e i g h t sw e a k e nt h eb u f f e ro p e r a t o ro f a na c c u m u l a t e dg e n e r a t i n gs e q u e n c es ow e a k e n t h eb u f f e rt r a n s f o r m a t i o n ，f i n a l l y , u s i n gt h ef i n a ls e q u e n c eo b t a i n e dw i t ht h eg m ( 1 ，1 ) m o d e lm o d e l i n ga n dp r e d i c t i o n 3 w h e nt h es h o r t t i m et r a f f i cf l o wd a t ai st h es - s h a p e d ，g m ( 1 ，1 ) c a n n o tb ea g o o dp r e d i c t i v er e s u l t s s ot h i sp a p e rp r o p o s e du s i n gt h eg r e yv e r h u l s tp r e d i c t i o n m o d e lt os i m u l a t ea n dp r e d i c t e d t h ee x p e r i m e n t ss h o wt h a t ：c o m p a r e dw i t ht h e g m ( 1 ，1 ) m o d e l ，t h ev e r h u l s tp r e d i c t i o nm o d e lh a sb e t t e rp r e d i c t i o nr e s u l t 4 、o nt h eb a s i so ft h eg r a yt h e o r y , c o m b i n e dw i t l ls h e n z h e nd e v e l o p m e n to f i n t e l l i g e n tt r a n s p o r ts y s t e m sa n dr o a dt r a f f i cd e m a n dm a n a g e m e n ts t a t u s ，t h e a p p l i c a t i o no f t h et h r e eo p e ns o u r c ej 2 e ea r c h i t e c t u r ef r a m e w o r kf o rs s h t e c h n o l o g y , d e s i g na n dd e v e l o p m e n to ft h e p r o t o t y p ep r e d i c t i o ns y s t e m k e yw o r d s ：t r a f f i cf l o w ，g m ( i ，1 ) m o d e l ，b a c k g r o u n dv a l u e ，p r e d i c t i o n ，o s c i l l a t i o n s e q u e n c e s ，v e r h u l s t 江苏大学硕士学位论文 目录 第一章绪论 1 1 课题背景及研究意义一1 1 2 国内外研究现状一：l 1 3 论文的研究内容3 1 4 研究的方法及技术路线4 1 5 论文的组织结构4 第二章灰色理论的短时交通流预测综述。6 2 1 交通流特性及预测方法分析6 2 1 1 交通信息预测研究的必要性6 2 1 2 短时交通流的特性6 2 1 3 短期交通流预测模型要求8 2 1 4 短时交通流预测模型综述9 2 2 灰色系统概述1 2 2 3 灰色预测方法1 4 2 3 1 基础知识1 4 2 3 2 灰色预测类型1 6 2 3 3g m 模型建模机理与特点18 2 3 4 灰色预测模型19 2 3 5g m ( 1 ，1 ) 模型检验2 1 2 4 灰色系统理论的短时交通流预测模型概述2 3 第三章g m ( 1 ，1 ) 改进模型的短时交通流预测 3 1 引言2 5 3 2 g m ( 1 ，1 ) 模型背景值误差产生的原因分析2 5 3 3 背景值的最优化2 7 3 4 本章小结3 2 第四章灰色振荡序列建模的短时交通流预测3 3 4 1 引言3 3 v 江苏大学硕士学位论文 4 2 振荡序列建模相关知识：3 4 4 3 短时交通流振荡序列建模算法3 5 4 4 振荡交通流预测模型算例3 6 4 5 本章小结3 9 第五章短时交通流灰色v e r h u l s t 预测模型4 0 5 1 引言4 0 5 2v e r h u l s t 模型简介4 l 5 3 短时交通流的v e r h u l s t 预测模型4 2 5 4 预测结果比较4 7 5 5 本章小结4 8 第六章灰色预测模型在交通流预测中的应用4 9 6 1 项目背景4 9 6 2 系统研究开发目标5 0 6 3 系统总体框架设计5 1 6 3 1 系统物理结构5l 6 3 2 功能模块5 2 6 4 系统实现5 3 6 4 1 系统开发和运行环境5 3 6 4 2 系统功能页面演示5 5 6 5 本章小结6 2 第七章总结与展望6 3 7 1 全文总结6 3 7 2 研究展望6 3 参考文献。 致 谢 6 5 6 9 在学习期间的研究成果及发表的学术论文7 0 v l 江苏大学硕士学位论文 第一章绪论弟一早珀t 匕 1 1 课题背景及研究意义 近年来随着交通运输事业的发展，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 t a t i o ns y s t e m ) 系统逐渐得到广泛的应用。i t s 包含多个子系统，如：出 行和运输管理系统、公共交通运输管理系统、电子收费系统、商业车辆运行系统、 紧急情况管理系统、先进车辆安全系统、信息管理系统等。其中，交通控制和诱 导子系统是出行和运输管理系统的一部分内容，也是i t s 研究的热门课题。而短 期交通流预测在交通诱导中扮演着重要的角色，它的原理是通过实时得到的交通 信息去滚动预测未来几分钟的交通状况，将预测的结果传送到先进的交通信息系 统( a t i s ，a d v a n c e dt r a n s p o r t a t i o ni n f o r m a t i o ns y s t e m ) 以及先进的交通管理系 统( a t m s ，a d v a n c e dt r a n s p o r t a t i o nm a n a g e m e n ts y s t e m ) 和动态路径引导系统 ( d r g s ，d y n a m i cr o u t eg u i d es y s t e m ) 当中，这样便能更好的为出行者提供 实时有效的信息，合理诱导出行者的出行行为，减少行程时间，减少交通拥挤和 交通事故的发生1 1 ，2 1 。这里提出的短期交通流预测是微观意义上的，预测时间跨 度一般不超过1 5 m i n ，主要是针对交通管理与控制的，与中观和宏观上的交通流 预测有本质的区别，它们主要是针对规划的。因此，进行短时交通流信息预测理 论体系研究，开发实用的、智能化的道路短时交通流预测系统，对于改善i t s 各 个子系统的性能、提高我国城市交通管理水平以及解决我国日益恶化的交通城市 问题，具有十分重要的学术价值和现实意义。 智能交通系统是典型的非线性复杂系统，常规的预测模型与方法对交通信息 的预测在准确度方面己显不足。近年来交通信息预测的研究已经呈现智能化、组 合化的趋势【3 】。以往的交通流预测模型存在着模型运算复杂，要求使用大量数据 的缺点，计算复杂。灰色系统理论具有所需样本少、短期预测精度高和不需要计 算统计特征量等优剧4 1 。通过对基于灰色系统理论的短时交通流预测的研究，利 用灰色系统理论能使用“小样本 、“贫信息 的数据进行建模的特点来预测短时 的交通流信息。从而减少运算时间，降低预测时间延迟和提高短期的预测精度。 1 2 国内外研究现状 短时交通流预测模型最早可追述到2 0 世纪6 0 是年代。那时，人们将其他领 江苏大学硕士学位论文 域已经成熟的预测模型应用到交通流预测中。但直到现在，国内外关于交通流动 态预测模型的研究还处在发展阶段，并没有形成较成熟的理论体系。在对短时交 通流预测研究时，由于受到随机干扰因素影响大，不确定性强，规律性不明显等 而未能取得令人满意的成果。 就目前预测科学不断发展的情况来看，可用于交通预测的模型与方法很多， 包括有回归分析方法、时间序列预测方法、粗糙集理论1 5 l 、灰色预测理论、m a r k o v 预测、神经网络方法以及卡尔曼滤波等，其中每一类预测方法之中又包含若干种 预测模型。文献【6 】分析了短时交通流预测模型应具备的特性，将这些模型归纳 为计量模型( 包括回归模型、自回归模型、移动平均模型、极大似然估计、m a r k o v 预测等) 、神经网络模型、非线性系统理论模型( 主要以混沌理论、协同论、好散 结构论为理论基础，包括混沌情景预测法、混沌唯象预测法、分形预测法等) 以 及动态交通分配模型、仿真模型7 l 等，并分别加以评述。 国内外关于短期交通流预测的研究，总体上可以分为两种类型：一组是非组 合模型合模型，一类是组合模型。非组合模型1 8 】：时间序列模型9 1 ，卡尔曼滤波 模型，指数平滑模型，参数回归模型，神经网络模型【l0 1 ，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模型等；组合模型：主要是其他方 法与神经网络相结合的复合模型。后来相关学者又提出了基于数据挖掘的交通流 预测方法【l 。基于灰色理论的交通流预测方法，基于模糊理论的交通流预测方法 和基于支持向量机的预测方法1 1 2 】等。 目前，在短期交通流预测领域应用最多的是基于神经网络的组合模型。神经网 络对于非线性问题的预测具有良好的性能，但是同时也存在着缺点：网络的训练 需要大量的原始数据；隐藏层神经元的数量需要由经验来确定，有一定的任意性 缺乏理论的指导；神经网络还存在着局部最小和收敛速度慢等缺点。国内外关于 神经网络预测模型研究的比较多，也取得了一定的成果，预测的平均误差大概为 7 一1 2 。但是，神经网络预测模型建模过程相对比较复杂，模型的拟合速度 较慢，不能很好地适应短时间实时预测的要求，而且神经网络需要大量自我学习 数据，数据不足会导致不好的预测结果。灰色预测模型克服了上述缺陷，是具有 少数据、不确定性数据的短期预测最好方法。 灰色模型法由于其原理简单，计算方便，在预测领域得到了广泛的应用【1 3 】， 2 江苏大学硕士学位论文 张新天等率先将这种方法引入到了交通量的预测中【1 4 】；后来孙燕和陈森发针对 无检测器的交叉口的交通流量数据有限的情况建立了一个自适应灰色预测模型 【1 5 1 。从此开始了灰色系统理论在交通领域应用的研究。针对g m ( i ，1 ) 模型所存在 的缺陷，目前的研究热点主要有：改造原始序列【1 6 1 。目的有两点：一是减弱 极端值的影响，强化原始序列的趋势：二是提高原始序列的光滑度。改进背景 值【1 7 。1 9 1 。g m ( 1 ，1 ) 模型的背景值z ( 1 ( 七) 是一个平滑公式，当时间间隔很小，序 列变化平缓时，这样的背景值是适合的，模型偏差很小，但当序列数据变化较快 时，模型偏差往往也比较大。改进灰色微分方程。优化时间响应函数( 初始 值选择) 1 2 睨2 1 。波动性较强的序列灰建模方法【2 3 。2 5 1 。 1 3 论文的研究内容 ( 1 ) 短时交通流特性研究。随着智能运输系统的发展，要求对交通流特别是 短时交通流特性有比较深刻的认识，应该采用新的方法来研究短时交通流。交通 流应该从时间和空间两个变量认识交通流的量测尺度问题，在时间和空间是上都 采用微观的角度进行观察。 ( 2 ) g m ( i ，1 ) 模型的特性，优化与改进研究。近年来，有学者对数乘变换和平 移变换对模型参数估计值及预测值的影响，这对g m 建模技术的发展有很重要的 意义。对参数口、b 的性质有如下研究结果： 参数an 预测值曼( o ( 后) 均与z ( o ( 1 ) 无关【2 6 】； 若序列x o ( 七) 单调递增，则口 0 【2 7 】： 州一熹，刍，刀+ l 刀+ i 4 m 觚 脊 ( 3 ) 灰色系统交通流预测模型g m ( i ，1 ) 。系统中得到的数据序列，往往是一 组离散是的数据，灰色预测模型最终要建立的是一个近似的一元微分方程，因此 要求数据必须具有光滑性。灰色理论采取了一种处理方法，就是利用各种算子， 如：均值生成算子和级比生成算子。灰色交通流预测模型的参数确定。 3 江苏大学硕士学位论文 ( 4 ) 案例分析。用灰色模型对原始序列进行拟合，分别给出各个点的交通拟 合以及各时间内交通量的拟合。用灰色模型对原始序列进行预测，并给出个点的 拟合值相对误差和平均误差。检测预测模型是否可以用于短时交通流预测。 1 4 研究的方法及技术路线 本论文研究的路线将按如下步骤进行： ( 1 ) 明确研究的目标：对于现有模型存在着规模庞大，指令周期慢的缺点， 本论文利用灰色预测模型可少数据建模，算法简单的优点建立以灰色系统理论的 交通流预测模型，期望在精度和指令周期上取得了满意的效果。 ( 2 ) 交通流特性及现有预测方法分析。对交通流的特性进行分析，对各单一 模型存在的缺点及优点进行分析，分析不同模型之间差异性，建立适合的灰色系 统模型。灰色模型算法简单，计算周期快，但是对交通流这样具有波动性的系统， 预测的效果不是很好。 ( 3 ) 模型的建立 通过改进的g m ( i ，1 ) 模型对交通流数据进行预测，利用g m ( i ，1 ) 模型建立短时交 通流的波形预测模型，解决灰色系统理论对于波动序列预测较差的缺陷。 ( 4 ) 案例分析 以某路段收集的交通流量作为已知的序列，由建立的g m ( i ，1 ) 模型对交通流进行 预测。对各预测结果进行比较分析。并对灰色预测模型的效果进行评价。 1 5 论文的组织结构 全文共分为六章，其主要内容概要如下： 第一章介绍了本文的研究背景、交通流预测及灰色系统理论的国内外研究现 状，同时给出了本文的研究内容和论文的组织结构。 第二章介绍了短时交通流特性及预测方法分类，并对短时交通流预测模型进 行综述；在灰色系统理论基础知识上，结合灰色系统预测模型相关理论，对灰色 系统理论的短时交通流预测模型进行了综述。 第三章在分析g m ( i ，1 ) 背景值误差产生原因和背景值改进现状的情况下，提 出了一个新的基于背景值优化的g m ( i ，1 ) 模型在短时交通流中的应用，通过实验 证明了该方法的有效性。 第四章分析具有随机波动性的交通流情况下，通过改进g m ( i ，1 ) 建模方法， 提出一种短时交通流的振荡序列建模方法，并利用深圳市交通流数据进行了验 江苏大学硕士学位论文 证。 第五章分析了在交通流数据呈现s 形情况下，利用灰色v e r h u l s t 预测模型对 其进行建模预测，通过与g m ( 1 ，1 ) 的预测结果向比较，验证了该模型的有效性。 第六章在灰色理论研究基础上，设计实现了“预测系统原型 系统。 第七章章对全文工作进行总结，并对下一步研究方向进行了展望。 5 江苏大学硕士学位论文 第二章灰色理论的短时交通流预测综述 2 1 交通流特性及预测方法分析 2 1 1 交通信息预测研究的必要性 交通信息智能预测，是指以历史的、现有的交通及相关因素的调查统计资 料为依据，运用智能化的方法，对目标区域交通系统未来状况的测定。交通 信息预测是预测学的一个分支，是现代交通规划学和智能交通系统( i t s ) 的 重要组成部分。 交通信息预测的重要性体现在： ( 1 ) 它是掌握地方交通运输行业发展势态，制定交通运输行业相关发展战 略和政策的重要依据。“凡是预则立，不预则废 ，交通运输行业的发展表征为 一序列的指标，如道路客运量、货运量、港口货物吞吐量等。为指导行业的稳 健健康发展应制定针对性的交通运输及其信息化发展计划，这就需要根据现有 交通运输生产数据进行综合分析和趋势预测，只有科学第预测出未来的发展规 律，才能制定出科学的行业发展政策。 ( 2 ) 它是进行城市或区域交通规划的重要工作内容，主要体现在对社会经 济、出行发生等发面的预测。 ( 3 ) 它是外推未来交通流变化趋势，提高城市交通管理与控制水平的重要 技术保障。 ( 4 ) 它是支撑道路交通时间检测，提高交通事件预报能力、降低事件负面 影响的技术保障。是支撑交通控制系统、交通诱导系统等i t s 子系统的关键技 术之一 2 1 2 短时交通流的特性 一般而言短期交通流是统计时间间隔不超过1 5 m i n 的交通流时间序列。跨度 不超过15 m i n 的交通流预测称为短期交通流预测。 ( 1 ) 交通流的网状特性：城市道路是一个立体网状结构，纵横交错且是互 相联通的，每一条道路都有一定的交通流，整个交通流形似一个具有流动物质的 江苏大学硕士学位论文 网络。 ( 2 ) 交通流的时空特性：在不同时间、不同空间都会有不同情况的交通流 出现，而且同一地点同一时间的交通流绝对不可替代另外一个时间和地点的交通 流，这体现了交通流有着极强的时空特性。 ( 3 ) 交通流的随机性和时变特性：由于道路每个方向均存在左行、直行、 右行三个车道，各个车道在不同时刻具有不同的车流量，车流行驶过程又是一种 随机变化的不可控制的过程，所以交通流呈现出很大的随机性。而出行者在分析 了道路的拥挤情况后，很可能调整出发时间，这样出行者出发和到达目的地的时 间会发生时变，导致交通流高峰期随之发生时变。 ( 4 ) 交通流具有波动性，由于交通流受环境及时间的影响很大使交通流具 有很强的波动性。比如受道路条件的影响，由于交通事故造成的交通拥挤，受天 气影响造成的车流缓慢而使交通流量降低，受特殊事件i ：l 女i 集会，节假日出游等 造成的交通量的增加，都反映了交通流的波动性。对于一天之内的交通高峰期与 低峰期也同样反映了这一特性。 ( 5 ) 交通流具有非线性的特性和不确定性。由于车辆到达的随机性以及交 通流的波动性等因素往往使交通流具有非线性的特性。交通流的运行被许多诸如 车辆的特性、司机的心理因素、天气变化等不确定因素制约和左右着，因此交通 流也体现出不确定性，且随着预测时间的缩短，其不确定性逐渐增强。 ( 6 ) 交通流的内在相关性：交通出行是一种有目的的需求，而不是一种完 全无规律游走，因而存在一定的内在相关性。 ( 7 ) 交通流内在约定性：交通流的主体行为是一种理性驾驶，其中每个人 车个体追求的目标是一致的或者相近的，均为安全、快速、通畅，因而存在 相互协作、协同，并在宏观上形成一种有序结构的可能性，这种内在约定是交通 流中形成自组织的重要原因。 ( 8 ) 交通流的长程相关性：交通流整体出行特性在时间上具有长程相关性 和记忆性，即一旦城市布局和道路网确定，相应的，某条道路上的交通流整体特 性也就基本确定，即交通流的出行特性具有一定的长程相关性和记忆性。 传统的交通流理论的明显特点是交通流模型的限制条件比较苛刻，模型推导 过程比较严谨，模型的物理意义明确，如交通流分布的统计特性模型、车辆跟驰 7 江苏大学硕士学位论文 模型、交通流模型、车辆排队模型等。现代交通流理论是指以现代科学技术和方 法为主要研究手段而形成的交通流理论，其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，而更重视模型或方法对真实交通流的拟 合效果。这类模型主要用于对复杂交通流现象的模拟、解释和预测，而传统交通 流理论要达到这些目的就显得困难。 2 1 3 短期交通流预测模型要求 ( 1 ) 精确性 交通流的预测结果应该满足精确要求，具有现实应用的意义，否则预测出的 交通流信息不具有任何意义。 ( 2 ) 实时性 由于短期交通流预测主要应用于交通控制及交通诱导，所以它要求实时在 线的预测交通流量，具有快速的计算能力，进而为人们提供实时信息，保证交通 有序顺畅，提高通行量，减少拥塞时间等。 ( 3 ) 历史数据少 基于各种原因，如：缺少历史数据，历史数据损坏等，导致的交通流历史数 据缺乏，要求预测模型具有使用少量实时数据进行交通流预测的能力。 ( 4 ) 不确定性 基于对交通流特性的研究，模型应该对于不确定系统具有好的预测结果， 能满足交通流预测的需要。 ( 5 ) 上下游交通流量相关性 由于交通流具有路网性，所以，交通流预测与其上下游交通流量具有相关性。 鉴于这个原因，模型应该具有通过将交通流预测与其上下游交通流量相关性引入 到模型中，以此来达到提高模型预测精度的目的。 ( 6 ) 可移植性 要求模型具有好的可移植性，减少模型多次开发所带来的时间和金钱上的损 失。这样通过降低成本，最终达到广泛使用的目的，形成一个全路网交通流预测 统一平台。 ( 7 ) 可靠性 8 江苏大学硕士学位论文 因为短期交通流预测受到的影响因素很多( 如天气、事故、施工、特殊事件 等) ，因此模型应具有很好的抗噪声干扰能力。 2 1 4短时交通流预测模型综述 短时交通流预测是智能交通控制与管理，交通流状态辨识和实时交通流诱导的 前提和关键。作为一项非常重要的基础理论，同时也是当今世界交通领域正在研 究的难题之一，相关学者作了大量的工作。下面就交通流预测主要模型中：时间 序列模型，历史趋势模型，非参数回归模型，卡尔曼滤波模型，神经网络模型以 及他们的组合模型等做一个研究现状的总结。 时间序列模型是描述时间序列统计特性的一种常用方法，它是参数化模型处 理动态随机数据的一种实用方法1 2 引。主要有线性平稳模型和非线性平稳模型。 自回归求和滑动平均模型( a r i m a ) 是一种应用最广泛的时间序列模型，其将某一 时刻的交通流量看成是更为一般的非平稳随机序列，一般带有3 个或6 个参数。 在大量不问断数据的基础上，此模型拥有较高的预测精度，但需要复杂的参数估 计，而且计算出的参数不能移植。在实际情况中，经常由于各种各样的原因容易 造成数据遗漏，导致模型精度降低。而且依赖大量的历史数据，成本很高。此外 该模型并未考虑上下游路段之间的交通流量关系。为此，m o h a m m a d m h a m e d 等提出了具有3 个模型参数的( 0 ，l ，1 ) 模型【2 9 1 ，该模型只需上一个观测值的预测 误差和现时交通流观测值，在很大程度上克服了数据遗漏的缺点；l e e s 等也应用 了a r i m a 模型进行了交通流预测研究1 3 0 】；韩超提出将a r 模型及其改进模型应 用于交通流预测，并与灰色预测模g m ( i ，1 ) 建立组合模型，预测结果有所提高【3 l 】； 孙湘海等提出将非线性时间序列模型，其根据城市道路的交通流条件状态的不 同，建立了一个二制度自我激励闽值自回归( s e t a r ) 模型，实例结果表明模型 有高的预测精度，且预测表现明显优于自回归求和移动平均( a 砒m a ) 模型【3 2 1 。 历史趋势模型假定交通状况是周期性发生的，即交通流量在一个交通断面是 以一天为周期重复再现的。它利用某路段在一定时间间隔内的旧的交通流量及最 近观察到的该路段在一定时间间隔内的交通流量，通过拟合平滑系数得到新的交 通流量量f 2 引。虽然该模型可以在一定程度内解决不同时间、不同时段里的交通 流变化问题。但静态的预测不足取，因为它不能解决不确定，非线性和突发的交 9 江苏大学硕士学位论文 通状况时的交通流量预测问题，比如天气变化，事故等。s t e p h a n e d syj 等人首 先将历一历史趋势模型应用于交通流预测【3 3 l ；之后，欧洲学者j e f f r e y 和k a y s i 将其应用到交通诱导及控制系统。 非参数回归模型是一种适合不确定的、非线性的动态系统的非参数建模方 法【2 8 】。它不需先验知识，只需足够的历史数据，寻找历史数据中与当前点相似 的“近邻 ，并认为这种从过去观察到的系统聚集的近邻状态和当前要预测的状 态是类似的。非参数回归是一种无参数、可移植、预测精度高的算法，它的误差 比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使 其可以真正达到实时交通流预测的需求。并且这种方法便于操作实施，能够应用 于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预 测，避免路段位置和环境对预测的影响。因此，特别是在有特殊事件发生时，预 测结果要比参数建模精确。但是对于没有历史数据或者历史数据稀缺的路段，非 参数回归模型预测精度较低【2 8 1 。最早将非参数回归方法应用到短时交通流预测 领域的是明尼苏达大学的g a r a d a v i s 和华盛顿大学( 西雅图分校) 的 n a n c y l n i h a n ，两人1 9 9 1 年发表了论文 n o n p a r a m e t f i er e g r e s s i o na n ds h o r t t e r m f r e e w a yt r a f f i cf o r e c a s t i n g ) ) ；马毅林提出基于非参数回归的路网短时交通状态预 测【3 4 】；宫晓燕，汤淑明提出对传统的非参数回归算法做了两方面改进：基于密 集度的变k 搜索算法与基于动态聚类和散列函数的历史数据组织方式，通过这 些改进，使得上述基于非参数回归的算法成为一种无参数、可移植、高预测精度 的实时预测算法【3 5 1 ，并能有效地用于短时交通流的预测问题中；范鲁明，贺国 光结合模式识别的思想，提出基于模式识别的非参数回归算法【3 6 j ；一些相关研 究人员还提出了对历史样本数据库进行优化等的改进方法p t 及与其他模型组合 的改进预测方法1 3 8 1 。 卡尔曼滤波算法是一种在现代控制理论中广泛采用的先进方法【2 8 9 1 。其是 针对线性回归分析模型的一种矩阵迭代式的参数估计方法，具有预测因子选择灵 活，精度较高的优点，且模型的预测精度不依赖预测时间间隔。但是，由于模型 属于线性估计模型，所以有明显的缺陷，其一，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变强时，模型的性能便随之下降；其二，由于在每次 计算时都要调整权值，需要作大量的矩阵和向量运算，导致算法较为复杂，难以 l o 江苏大学硕士学位论文 用于实时在线预测，预测输出值有时要延迟数个时间段；其三，当有突发的交通 状况发生时，模型为了适应变化的交通流必须进行实时参数调整，而这个参数调 整过程往往需要几个预测间隔，所以其预测不可避免具有一定的滞后性：其四， 预测时仅仅利用了本路段的历史资料，没有考虑相邻路段的影响，这是影响其预 测精度的原因之一。1 9 8 4 年，o k u t a n i 和s t e p h a n e d e s 提出了用于交通流预测的 卡尔曼滤波模型4 0 l ；v y t h o t k a s p c 也提出了基于卡尔曼滤波理论的交通流量预测 模型；杨兆升、朱中也提出了基于卡尔曼滤波理论的实时行程时间预测模型1 4 。 神经网络模型是由大量处理单元( 神经元) 广泛互连而成的网络，是对脑的抽 象、简化和模拟。其预测原理为：通过使用一部分数据来训练模型，即确定网络 结构( 包括隐含层层数、各层节点数、各层连接权值、各层神经的传递函数) ，网 络结构确定以后，用剩余部分数据进行预测。就其使用形的不同，分为3 类：单 一的一类神经网络模型【4 2 ，4 3 】；多种神经网络相结合的优化型；有神经网络结合 其他方法进行预测的综合模型等【2 8 l 。神经网络由于其身特有的自适应和自学习 的优势，在实时交通流预测领域的应用变得非常跃起来。国外的学者，1 9 9 2 年， c h i n 将之用于长期交通预测；1 9 9 3 年，t h o u l p c 提出用系统识别和人工神