（交通运输规划与管理专业论文）面向出行诱导的城市快速路多断面短时交通流量预测.pdf

l 弋 i 鞘 s h o r r - t e r mt r a f f i cv o l u m e f o r e c a s t so fu r b a ne x p r e ss 硷y ，s m u l t i s e c t i o no r i e n t e dt o m u c e dt r a v e l at h e s i ss u b m i t t e dt o s o u t h e a s tu n i v e r s i t y f o rt h ea c a d e m i cd e g r e eo fm a s t e ro f e n g i n e e r i n g b y c h e n g a n g l i a n g s u p e r v i s e db y c h e n g l i n t r a n s p o r t a t i o nc o l l e g e s o u t h e a s tu n i v e r s i t y j a n2 0 1 0 l 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发 表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用 过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明 并表示了谢意。 研究生签名氍型日 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆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。除在保密期内的保密论文外，允许论文被查阅和借阅，可 以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研 究生院办理。 研究生签名：乍嘞师签名蟛三2 刍期：巩扒厂力 矿 摘要 摘要 论文以城市快速路网为研究对象，以层次聚类分析法、多维时间序列门限自回归理论和多维 a r i m a 过程为研究方法，对快速路的多断面进行交通流量预测，其预测结果旨在为出行诱导等交通 出行信息服务提供依据。 论文首先详细介绍了国内外短时交通流预测的相关研究现状，将已有的国内外短时交通流预测 研究内容从研究对象方面总结为单一断面的短时交通流预测方法和多个断面的短时交通流预测方 法，并指出了多断面交通流预测研究现状存在的不足。 然后对城市快速路中多个断面交通流数据进行了分析，在对交通流数据进行预处理包括删除错 误数据和补充缺失数据的基础上，分析经过预处理后的道路网多个断面的交通流数据，计算出断面 不同交通流参数不同时刻的日平均值，引入层次聚类分析法，为下一步进行道路网多断面短时交通 流预测奠定了基础。 在层次聚类分析结果的基础上，将相关性较大的几个断面作为多断面交通流量预测的研究对象， 分别采用两种方法对多断面交通流量预测进行建模和实证性分析。 第一种方法采用多维时间序列门限自回归的方法对多断面进行短时交通流量预测建模，通过确 定回溯系数、延迟参数、门限阶数、门限值等一系列参数，建立了基于多维门限自回归的多断面短 时间交通流量预测模型，采用实测数据进行实证性分析，并对其将预测结果和单断面预测结果进行 对比分析。 第二种方法采用多维a r i m a 过程对多断面进行短时交通流量预测建模，结合多维a r i m a 过程 和及其新息预报的理论，建立了基于多维a r i m a 过程的多断面进行短时交通流量预测模型，把短 时交通流量的预测从单断面扩展到多断面a r i m a 过程的同时预测，采用实测数据进行实证性分析， 并对其将预测结果和单断面预测结果进行对比分析。 论文最后把两种多断面预测方法进行了对比分析，通过对比分析，结合各自模型固有的特点， 对两种预测方法的适用范围提出了建议，并对两种预测方法的进一步完善提出了设想。 过程 关键词：城市快速路；交通流量；多断面；层次聚类分析；多维门限自回归；多维a r i m a a b s t r a c t a b s 仃a c t t h i sp a p e rs e t su r b a ne x p r e s s w a y 勰r e s e a r c ho b j e c t i tu t i l i z e sh i e r a r c h i c a l c l u s t e ra n a l y s i s ，m u l t i p l e t a ra n dm u l t i - a r i m a 勰t h em a i nm e t h o d o l o g i e sa n df o r e c a s tt h et r a f f i cv o l u m eo fe x p r e s s w a y s m u l t i - s e c t i o n ，w h o s er e s e a r c hr e s u l t si sa i mt os u p p o r tt h et r a f f i ci n f o r m a t i o ns e r v i c es u c h 鹄i n d u c e d t r a v e l t h ef i r s tp a r to ft h i sp a p e ri st oi n t r o d u c et h et h e o r yo fs h o r t - t e r mt r a f f i cf o r e c a s ta b o u th o m ea n d a b r o a d , w h i c hd i v i d e di ti n t ot h es i n g l es e c t i o nf o r e c a s tm e t h o da n dm u l t i - s e c t i o nf o r e c a s tm e t h o d , a n d p o i n t so u tt h ed e f i c i e n c i e so ft h er e s e a r c ho nt h em u l t i s e c t i o na r e a t h e nt h eu r b a ne x p r e s s w a yt r a f f i cf l o wd a t ao fm u l t i s e c t i o nw e r ea n a l y z e d , a n dt h ee r r o rd a t aa n d m i s s i n gd a t aw e r ec o r r e c t e d b a s e do nt h ea v e r a g eo ft h ee v e r ym o m e n t st r a f f i cf l o wd a t a , i ti n t r o d u c e st h e r e s e a r c hm e t h o do fh i e r a r c h i c a lc l u s t e ra n a l y s i s 。a n dc l a s s i f i e st h em u l t i - s e c t i o n 裙8 0 m eg r o u p sa c c o r d i n g t ot h e i rc o r r e l a t i o nc o e m c i e n t s b a s e do nt h er e s u l to fh i e r a r c h i c a lc l u s t e ra n a l y s i s ，t h es e c t i o n si no n eg r o u pi ss a t e d 蠲t h er e s e a r c h o b j e c t a n dt w om e t h o d sa l eu s e df o rm u l t i s e c t i o nt r a f f i cf l o wp r e d i c t i o nm o d e la n de m p i r i c a la n a l y s i s f i r s tm e t h o du t i l i z e st h em u l t i p l et a rt oe s t a b l i s ht h ef o r e c a s tm o d e lo fs h o r t - t e r mt r a f f i cv o l u m e a b o u tm u l t i s e c t i o n ，a n di tn e e d st od e f i n es o m ei m p o r t a n tp a r a m e t e r so ft h em o d e l w h e nt h ef o r e c a s t m o d e li sf m i s h e d ，t h ee m p i r i c a ls t u d yi su s e dt oc h e c kt h em o d e l se f f e c t ，a n di t sp r e d i c t i o ni sc o m p a r e d w i t ht h er e s u l to fs i n g l es e c t i o nm e t h o dr e s u l t s e c o n dm e t h o du t i l i z e st h em u l t i a 剐【m at oe s t a b l i s ht h ef o r e c a s tm o d e lo fs h o r t - t e r mt r a f f i cv o l u m e a b o u tm u l t i s e c t i o n w i t ht h eh e i po fi n n o v a t i o na l g o r i t h ma b o u tm u l t i a r i m a , t h ef o r e c a s tm o d e lb a s e d o nm u l t i a r 眦i se s t a b l i s h e d w h e nt h ef o r e c a s tm o d e li sf i n i s h e d t h ee m p i r i c a ls t u d yi su s e dt oc h e c k t h em o d e l se f f e c t , a n di t sp r e d i c t i o ni sc o m p a r e dw i t ht h er e s u l to fs i n g l es e c t i o nm e t h o dr e s u l t a tt h ee n do ft h ep a p e r t w om u l t i - s e c t i o n sp r e d i c tm e t h o d sa r ec o m p a r e da n da n a l y z e d 姗g ht h e c o m p a r a t i v ea n a l y s i s 。c o m b i n e dw i t ht h ei n h e r e n tc h a r a c t e r i s t i c so fe a c hm o d e l ，t w ok i n d so ff o r e c a s t i n g m e t h o d s s c o p ei sr e c o m m e n d e d , a n dt h ei m p r o v e m e n to f e a c hm o d e li sp u tf o r w a r d k e y w o r d s ：u r b a ne x p r e s s w a y ；t r a f f i cv o l u m e ；m u l t i s e c t i o n ；h i e r a r c h i c a lc l u s t e ra n a l y s i s ；m u l t i p l e t a r ；m u l t i a r i m a h 目录 目录 摘要i a b s t r a c t ” 第一章绪论1 1 1 研究背景和意义l 1 1 1 研究背景1 1 1 2 研究意义”l 1 2 国内外研究概况2 1 2 1 单一断面交通流量预测的国内外研究概况3 1 2 2 多断面交通流量预测的国内外研究概况7 1 3 研究目标及主要内容8 1 3 1 研究目标”8 1 - 3 2 主要内容”8 1 3 3 技术路线。9 1 3 4 章节安排9 第二章交通流数据分析1 1 2 1 交通流基本特征参数。1 l 2 2 交通流数据预处理技术1 3 2 2 1 交通流数据的来源1 3 2 2 2 交通流故障数据的识别1 4 2 2 3 交通流故障数据的修复方法。1 6 2 2 4 交通流数据的实际处理1 6 2 3 多断面交通流数据的聚类分析1 9 2 3 1 层次聚类分析法的基本原理和一般步骤1 9 2 3 2 层次聚类分析法在多断面交通流数据聚类分析中的应用一2 0 2 4 本章小结2 4 第三章基于多维时间序列门限自回归的多断面短时交通流量预测模型一2 6 3 1 多维时间序列2 6 3 1 1 一维时间序列2 6 3 1 2 多维时间序列2 8 3 2 多维门限自回归时间序列“2 9 3 2 1 多维门限自回归时间序列的定义”2 9 3 2 2 多维门限自回归时间序列的特点3 0 3 3 多断面短时交通流量预测多维门限自回归模型3 0 3 4 实证性研究3 2 3 4 1 数据来源3 2 3 4 2 多维门限自回归模型的建立3 2 3 4 3 模型预测结果分析3 5 3 5 本章小结4 0 h i ； l 目录 第四章基于多维a r i m a ( p ，面留) 模型的多断面短时交通流量预测模型4 1 4 1 多维a r m a ( p ，g ) 和多维a r i m a ( p ，如) 4 1 4 1 1 多维a r m a ( p ，g ) 过程4 l 4 1 2 多维舢爻m 队p ，西g ) 过程4 1 4 1 3 多维a r m a ( p ，g ) 过程的参数估计4 2 4 1 4多维a r m a 定阶的a i c 准则4 4 4 1 5 a r m a ( p ，口) 过程的预报4 4 4 2 多断面短时交通流量预测多维a r t m a ( p ，d 劫模型4 6 4 3 实证性研究”4 7 4 3 1 数据来源及处理- 4 8 4 3 2多维a r m a 模型的建立4 9 4 3 3 模型预测结果分析5l 4 4 本章小结5 6 第五章两种预测方法的比较- 5 7 5 1 总体预测精度比较t 5 7 5 2 预测误差曲线比较5 7 5 3 交通流量变化状况比较5 9 5 4 模型适用范围比较6 0 5 5本章小结6 0 第六章研究总结及展望6 1 6 1 主要研究成果6 1 6 2 主要创新点“6 1 6 3 研究展望6 2 参考文献6 3 致谢6 6 附录6 7 攻读硕士期间发表的论文和参与的科研项目及专利一7 0 i v 第一章绪论 1 1 研究背景和意义 第一章绪论 1 1 1 研究背景 随着社会经济的快速发展，城市化水平不断提高，城市人口的数量急剧增加，城市交通拥堵成 为国内各大城市的一个共性问题。为减轻越来越大的城市交通压力、缓解越来越严重的城市交通拥 堵，在保护大城市中心城区交通畅通的同时，使中长距离交通能与短距离交通、快速交通与慢速交 通进行有效的分离，又让城市内部路网与外围的过境高速公路、高等级公路之间能有一个合理的衔 接与过渡，国内很多大城市开始进行城市快速路网的规划设计与建设。国内城市最早的典型快速路 是北京的二环路【。至目前，国内已有北京、上海、广州、南京、杭州、天津、郑州、武汉、长沙 等数十个城市的快速路建成投入使用。 在城市快速路里程飞速发展的同时，其车流量也在不断的增加，一些经济发达地区和大城市内 部的快速公路甚至出现了频繁交通拥堵的现象。如上海内环高架、北京二环路等，由于交通量基本 达到了饱和，每天有很长一段时间的行车速度已经低于设计最低速度，并在匝道出入口形成了排队。 此外，由于事故或道路养护等特殊时间，往往造成一条或者多条车道阻塞，或者导致其他交通流障 碍，从而降低了这段快速路的通行能力。这些问题主要表现在以下几方面： ( 1 ) 由于缺乏对快速路合理的监控、预测等相关手段，使得快速路在达到最佳交通流密度时，没 有采取合理的匝道控制等相关限制措施，车流量还在不断增加，从而导致出现交通拥堵，使得快速 路服务水平下降，出行者的总行车延误增加。 ( 2 ) 在出现交通拥堵或者发生交通事件的情况下，没有能够及时向出行者发布实时的快速路路况 信息，使得出行者仍然选择快速路作为出行路径，从而导致交通拥堵的加剧。 ( 3 ) 在获取当前道路信息的情况，没有及时根据当前信息进行合理的预测，将信息发布给出行者， 对出行者的出行安排进行合理的引导。 因此，如何保证城市快速路能够提供安全、稳定、快速、高质量的服务能力成为了一个亟待解 决的问题。 1 1 2 研究意义 智能交通系统i t s 是近年来迅速发展的城市道路和高速公路控制管理的新技术。它是将先进的 信息技术、数据通讯传输技术、电子传感技术、电子控制技术及计算机处理技术等有效的集成运用 于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合 交通运输管理系统。 短时交通流量预测是智能交通系统的核心内容和交通信息服务、交通控制与诱导的重要基础。 智能交通系统的控制和诱导需要对城市快速路交通流量实现准确、快速的短时预测和判别。因此， 研究运用有效的短时交通流量分析和预测的理论与方法，从所获得的信息中准确地预测和判别出城 市快速路交通流状况，提供切实可靠的出行诱导信息，是当前智能交通系统发展的急需，也是研究 的重点和难点问题。 有效的出行诱导信息要求所发布的信息具有及时性、准确性和一定的预见性。现状对城市交通 1 ； ； i 东南大学硕士学位论文 流进行诱导和控制的主要依据是现状交通流的运行状态，出行诱导信息主要根据当前时刻的交通信 息进行发布，特别是针对一些交通事件，及时发布信息对出行者的合理出行有很大的参考价值。但 是交通事件的发生毕竟少数，城市道路的运行状态绝大多数处于周期性拥堵的状态，随着对道路交 通流控制和诱导要求的提升，需要对交通流状态进行合理的短时预测，然后根据其预测信息进行合 理的诱导和控制，这就需要根据当前的交通流状态及时的对未来几分钟之内的道路状况作出合理的 判断，并发布相应的诱导信息，对出行者进行合理的引导，使得车流量在城市道路上得到合理的分 配，最大限度的利用城市道路资源。因此从出行诱导的需求角度来看，短时交通流预测具有现实的 意义。 然而现状的短时交通流量预测主要是侧重于单断面( 单点) 短时交通流量预测，对于多断面短 时交通流量预测缺少相应研究，随着对短时交通流量预测要求的不断提高，多断面短时交通流量预 测越显得重要。与单断面短时交通流量预测相比而言，多断面短时交通流量预测有以下三方面的优 点：( 1 ) 多断面短时交通流量预测以路段或者区域为研究对象，所提供的预测信息更具连贯性和实用 性，更有利于路段或者区域交通状况的协调控制，更有利于出行诱导。( 2 ) 多断面预测方法只需要一 次建模和参数估计。( 3 ) 考虑了多个断面交通流量相互影响的多断面预测方法相比单一断面预测方法 有较好预测效果，并且能较好适应突发情况。图1 1 为多断面预测方法和单断面预测方法相互之间 的内在关系。 图1 - i 多断面预测方法和单断面预测方法相互之间的内在关系图 f i g u r ei - i ：t h ei n t r i n s i cr e l a t i o n s h i pb e t w e e nm u l t i - s e c t i o na n ds i n g l es e c t i o nm e t h o d s 现阶段随着交通科技水平的不断提高以及智能交通系统的应用，我国的城市快速路和高速公路 匝道出入口处和路段中间逐渐设置了交通流参数自动获取装置，例如，环形线圈( 匝道出入口) 、远程 交通微波传感器r t m s ( 北京等城市的快速路断面) 和车辆牌照获取装置a v i 等，交通信息采集、传 输和发布设备的性能价格比日趋合理，为获取实时数据奠定了重要的物质基础，为从事基于数据分 析的交通信息预测研究提供了基础数据保障。及时获得城市快速路上的实时数据，并从海量的动态 交通数据中，经过抽样和过滤等管理技术，提取出直观、准确、实时的交通运行状态信息，如交通 流量、速度、占有率、行程时间和拥挤程度等己经成为可能，为从事交通流分析和预测研究提供了 基础数据保障。 利用交通流参数自动获取装置硬件和软件平台、充分发挥其作用，利用科学理论进行可靠的分 析和预测，提供给用户，诱导用户进行最适合自己的路径选择，避开拥堵区段，减少不必要的行驶 损失，提高行驶效率和交通安全、减轻交通环境负荷度，最大限度地利用道路资源，对于提升我国 交通的基础理论及其应用水平均具有重要意义，也是非常重要且亟待解决的课题之一。 1 2 国内外研究概况 按照预测方法的不同，预测模型划分为基于统计方法模型、非线性系统理论模型、动态交通分 配模型、仿真模型以及智能预测方法模型。如图1 2 所示： 2 第一章绪论 图l - 2 短时交通量预测方法示意图 f i g u r ei - 2 ：s c h e m a t i cd i a g r a mo fs h o r t - t e r mt r a f 五ov o l u m ef o r e c a s t i n gm e t h o d 1 2 1 单一断面交通流量预测的国内外研究概况 1 、基于统计方法预测模型 这类模型是用数理统计的方法处理交通历史数据，如交通流、交通速度、旅行时间等用于预测。 一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。基 于统计方法的模型主要有历史平均模型( h i s t o r ya v e r a g em o d e l ) 、线性回归模型( l i n e a rr e g r e s s i v e m o d e l ) 、时间序列模型( t i m es e r i a lm o d e l ) 、卡尔曼滤波模型( k a l m a nf i l t e r i n gm o d e l ) 、m a r k o v 预测等。 ( 1 ) 历史平均模型 此模型优点是计算简单，但是由于其静态性的本质，未能反映出交通流的不确定性与非线性， 无法克服随机干扰因素对交通流的影响，因此若有突发事件发生，那么这种预测方法就不能在这种 突发事件下做出正确的预测。s t e p h a n e d e s 于1 9 8 1 年将历史平均模型应用于城市交通控制系统 c o t c s ou r b a nt r a 伍cc o n t r o ls y s t e m ) 中，1 9 8 7 年j e f f r e y 提出的a u t o g u i d e 系统，1 9 9 3 年k a y s i 提 出的l i s b 系统，都用于各种出行者信息系统和动态路径诱导系统中2 1 。 ( 2 ) 时间序列预测模型 朱顺应等2 0 0 3 年，建立了路段短时间内交通量预测a r i m a 模型，并且指出了a r i m a 模型也 可用于交通密度、地点车速等其它交通参数的预测，但是也存在文章仅讨论了建立了a r i m a 模型 过程，没有考虑其它影响因素，对最佳的预测时间间隔也有待进一步研究【3 】。张朝元等在提出了基 于l s - s v m ( l e a s ts q u a r e s s u p p o r tv e c t o rm a c h i n e s ) 的交通流量时间序列预测，该方法是将交通流量 问题转化为一个函数估计问题，然后利用最小二乘支持向量机方法来做进一步处理。传统的a r i m a 模型在一定程度上提高了预测精度，但是仍然存在着问题有：( 1 ) 在预测的过程中模型的参数是固 定的，这不能很好地适应不确定性强的短时交通流动态预测的要求。( 2 ) 该方法在应用于受随机干 扰因素影响大，不确定性强的短时交通流建模、预报的过程中，模型结构辨识和模型检验的过程比 较繁琐。针对这种情况，北京工业大学韩超，2 0 0 4 年，在基于采用a r i m a ( p ，d ，0 ) 模型结构的 时间序列分析方法，提出一种短时交通流实时自适应预测算法。算法中采用带遗忘因子的递推最小 二乘方法进行参数估计，采用基于线性最小方差预报原理的a s t r o m 预报算法进行预报。通过仿真试 验取得了较好的预测效果【4 】。同年( 2 0 0 4 ) ，在其硕士论文中，在上述研究的基础上提出了一种改进 的多步自适应预测方法，增加了误差补偿项。同时还运用了基于灰色模型的自适应预测算法，给出 3 爹； i； 东南大学硕士学位论文 了基于g m ( 1 ，1 ) 模型和a r ( 1 1 ) 模型组合模型自适应预测算法，预测效果比单个g m ( 1 ，1 ) 模型或单个 a r ( 1 1 ) 模型预测算法的预测精度高【5 】 交通流状况在每周都会呈现相似、周期性特征，s h a s h a n ks h e k h a r 等2 0 0 7 年，提出了自适应的 季节性时间序列模型( s a r r m a ) 用于短时交通量预测，该模型的参数可以根据实时测得新数据不 断更新，并且采用了卡尔曼滤波法对参数实时估计，与极大似然参数估计相比，明显减少了计算【6 】。 b i d i s h ag h o s h 等2 0 0 7 年利用s a r i m a 模型预测短时交通量，但与传统方法不同，该采用贝叶斯方 法进行参数估计，每个估计的参数都有一个概率密度函数，同时，每一预报值都有概率密度曲线， 对应有一个最大可能值作为预报值，并和传统的参数估计方法相比，该方法更能反映实际交通状况， 有较高的预测精度【7 】。y ug u o q i a n g 等，2 0 0 4 年，研究了s w i t c h i n ga r i m a 模型用于短时交通量预 测，试验结果也取得很好的效果嗍。 由于系统的复杂性，因此上述的时间序列模型依然存在着不足，在技术上很难用精确的数学模 型来表述复杂非线性系统。北京工业大学颜镝，2 0 0 5 年在硕士论文中从数据挖掘这一侧面来研究， 对时间序列数据进行适当挖掘，并结合时序分析对交通流演化的趋势做出合理的预测和分析，在国 内外相关研究的基础上，提出了时间序列特征模式挖掘的框架，并且针对交通流时间序列，提出了 一种改进的g s p 挖掘算法，取得了较好的效果。开辟了用时间序列研究短时交通流预测的另一个 思路【9 】o ( 3 ) 卡尔曼滤波模型 卡尔曼滤波理论( k f ) 是k a l m a n 于1 9 6 0 年提出的，是一种在现代控制理论中广泛采用的先进 方法，它在许多方面得到应用。具有预测因子选择灵活、精度较高的优点。是最好的预测方法之一， 但由于该模型的基础是线性估计模型，所以当预测间隔小于5 m i n 、交通流量变化的随机性和非线性 再强一些时，模型的性能可能会变差。 杨兆升等1 9 9 9 年，研究了基于卡尔曼滤波理论的实时交通量预测，假设研究路段未来时段的交 通流量是上游和下游路段的前几个时段流量的线性函数，据此建立了交通流量预测模型，并用两种 方法改进了模型，一是，两周相对应的两天中的研究路段的交通流量差值和上下游各路段的交通流 量差值作为研究路段的交通流量和上下游各路段的交通流量原始数据进行交通流量预测；二是，利 用两周相对应的两天中的交通流量比值代替交通流量的原始数值。结果表明第二种方法更高的预测 精度【1 0 1 。同年( 1 9 9 9 ) ，用了同样方法模型建立了基于卡尔曼滤波理论的实时行程时间预测模型，应 用检测器所测得的交通流量，实时预测几个时段后的路段行程时间，进而预测路径行程时间【1 1 1 。2 0 0 2 年，杨晓光等研究了基于卡尔曼滤波理论的高速道路行程时间预测f 1 2 】。2 0 0 6 年王均等，研究了基于 卡尔曼滤波理论的城市环路短时交通流量预测，给出了在计算机上实现的具体算法流程【l3 1 。s u n s h i l i a n g 等2 0 0 4 年，研究了在实际交通流数据有缺失情况下，采用s a m p l i n gm a r k o vc h a i n 模型方法， 把交通流看成是马尔可夫链( h i g ho r d e rm a r k o vc h a i n ) ，转移概率近似采用高斯混合模型( g a u s s i a n m i x t u r em o d e l ) ，参数估计采用c o m p e t i t i v ee x p e c t a t i o nm a x i m u m ( c e m ) 算法【1 4 1 。以上研究中普遍 存在的问题是，地面道路的交通流为间断流，且存在非机动车和行人的干扰，其复杂性较大，如何 进行假定、如何进行数据观测及结果对比，在网络条件下如何运用卡尔曼滤波法，这是需要进一步 探讨的问题。 2 、非线性理论预测模型 非线性预测主要以混沌理论、耗散结构论、协同论、自组织理论等非线性系统理论为理论基础， 利用有关混沌吸引概念、分形概念、相空间重构方法、数字生态模拟法( d a t ae c o l o g y ) 等建立预测模 4 ， 第一章绪论 型，其中发展较为成熟的预测方法分形预测以及尖点突变理论等。 尖点突变理论从三维空间分析了交通流三参数关系，它可以弥补传统的二维平面三参数关系分 析的一些不足之处，因为交通流本身就是一个三维或更高维的问题。由于目前我国高速公路较少出 现饱和交通流状态，故难以采集到拥挤流数据，而根据尖点突变理论模型得出的速度流量、流量车 道占有率和速度车道占有率模型，便可用于交通流预测和仿真，以弥补实际难以采集到交通拥挤 状态的数据的不足之处。因此交通尖点突变理论将会在交通流预测中有广泛的应用前景【l 6 】。 3 、动态交通分配及仿真模型 动态交通分配即通过采集实时交通数据资料，不断更新出行分布，利用动态交通分配方法分配 交通出行量，从而得到路段实时交通量的方法。此方法虽然理论充分，但是已有的动态交通分配模 型普遍存在优化计算时间过长，预测的实时性差，需要在实践中难于做到或无法做到的动态o d 信 息，而且由于采用递推方式的计算，造成了误差的积累，使得分配结果的可靠度降低。微观交通仿 真预测方法利用微观仿真原理，应用车辆跟驰模型对未来数分钟之内的道路交通状态进行仿真，预 测所仿真路段的交通流状态。为改善动态交通分配模型的不足，已有一些学者利用仿真来模拟动态 交通分配，虽然取得了一定的成绩，但还没有得到可靠性很好的结果，还有待于进一步的研究。 l a m , w i l l i a m 于2 0 0 5 年使用交通流模拟( t r a f f i cf l o ws i m u l a t o r ，t f s ) 来预测短期出行时间，t f s 可以很有效的用于真实路网中。结果表明实测的行程时间以置信度9 0 落入所预测区间【l7 1 。n a t a l i a r u i zj u r i 等于2 0 0 7 年结合交通仿真模拟和统计分析方法实时估计高速公路行程时间，试验结果具有 很好的效果l l 剐。 4 、智能预测模型 智能复合预测方法包括了神经网络、小波分解与重构、灰色预测模型、模糊预测、遗传算法、 混沌预测等方法、以及由上述模型相互组合构成的各种智能组合预测模型等，它们的应用在一定程 度上摆脱了建立数学模型的困扰，为研究工作开辟了新的思路。 ( 1 ) 神经网络模型 人工神经网络，是由大量处理单元( 神经元) 广泛互连而成的网络，是对人脑的抽象、简化和 模拟。近年来，随着人工神经网络的发展，基于人工神经网络的短时交通流预测模型取得了令人满 意的预测效果。其应用模型主要有三种，一是单一神经网络模型直接用于短时交通流的预测：二是 采用两种或多种神经网络模型组合；三是基于神经网络的与其它预测方法相结合，或对原有的神经 网络模型改进。 1 9 9 8 年，朱中等，利用单一神经网络模型反向传播b p 神经网络，采用1 个隐层，9 个隐层单 元，自适应学习率，取得了较好的预测效果【1 9 】但常规的b p 网络存在着固有的缺陷，王宏杰等在 2 0 0 1 年，提出了基于改进的b p 神经网络动态交通流预测，改进主要在，一是学习率可以根据误差 变化的信息和误差函数对连接权梯度变化的信息进行启发式的调整；二是在原有权值修改的公式基 础上增加了一个动量项利用权值修改的惯性来实现最小点的跳出，解决了容易陷入最小点而大不 到预期效果问题，结果表明改进的b p 网络不仅减少了样本的训练量同时还提高了预测精度【2 0 】。2 0 0 2 年，谭国真等，提出了一种基于线性独立函数的智能神经元模型，智能神经元比普通神经元具有更 高的知识存储能力，可使整个神经网络的信息处理能力得到大大增强，收敛速度以及预测精度等性 能均较普通神经网络有很大改善，应用于交通流预测，其效果远远优于常规的b p 网络，具有较高 的实用价值【2 1 1 。2 0 0 3 年，徐启华等，提出了一种基于动态递归神经网络的交通流量实时预测方法， 此方法运用一种基于改进型的e l m a n 神经网络进行交通流量实时预测，这种基于动态递归神经网络 5 东南大学硕士学位论文 的预测模型，由于具有动态记忆功能，因而在网络输入向量维数较低、网络规模较小的情况下能较 好地实现对交通流量的预n t 列2 0 0 4 年，况爱武等，研究了利用径向基r b f 神经网络来预测短时 交通流】。 由于神经网络模型存在一定的不足，单一的神经网络模型的预测精度存在着一定的问题，神经 网络技术与其他领域的先进方法相结合用于短时交通流预测领域会取得更好的效果。杨兆升等于 1 9 9 8 年，研究了基于神经网络的短时交通流模糊预测，利用神经网络深度综合和自学习能力，来更 加记忆那些难以统计整理的模糊规则，采用了一个3 层的b p 神经网络来储存抽象的经验规则【冽。 尹宏宾等，于2 0 0 0 年，研究了基于模糊神经网络技术的信号交又口交通量滚动预测模型，可以利用 模糊神经网络在线学习得到交叉口交通量变化的规律，将模糊理论和神经网络技术相结合，以解决 神经网络训练时间长以及收敛性问题 2 s 】。但有关研究表明，模糊神经网络对3 0 分钟以上交通流量的 预测效果较好，因交通流突发性和非平稳性的影响，更短时间的交通流量预测相对困难。因此，2 0 0 4 年，杨世坚等提出了一种将模糊c 均值聚类和神经网络相结合的短时交通流预测算法，并将该方法 与b p 神经网络方法以及模糊神经网络方法相比较，得到了较高的预测精度1 2 引。w e i z h o n gz h e n g 等 于2 0 0 6 年提出了一种b c n n 模型，首先分别用b p 和r b f 神经网络来预测，然后将这两种神经网 络模型用贝叶斯结合方法组成b c n n 模型，预测效果比单独的两个模型要好【2 7 。 但是在上述对神经网络预测模型研究中，依然存在着的普遍问题是，一般需要较长的训练时间， 模型的全局收敛性也无法保证，训练后的模型一般只适用于本段的流量预测，并不适用于其他路段， 故推广能力差。对于最佳的隐层单元数量的确定，缺乏理论上证明，只是采取经验的试算，同时缺 少对分析输入层单元和隐层单元分别与训练时间和误差的关系研究。 ( 2 ) 小波理论模型 小波分析是处理非平稳时间序列的强有力的工具，根据小波分析理论，可以将信号一层一层分 解到不同的频率通道上，即将交通系统交通流序列分解为多个分量，对各信号分量分别进行预测， 再合成最终的预测结果，极大地提高了预测准确度。 2 0 0 2 年，天津大学贺国光等，探讨了小波分析在交通流短时预测中应用的可行性，提出了一种 基于多分辨率小波分解与重构的交通流短时预测方法( w d r ) ，介绍了w d r 原理、模型参数的确定， 通过仿真给出了满意的结果【2 8 1 。2 0 0 5 年，陈淑艳，王炜等人，研究了基于小波分析和模糊马尔柯夫 预测相结合的短时交通流预测模型，对交通量时间序列进行多分辨率小波分解，然后对低频部分和 高频部分分别进行重构，对重构后的基本信号和干扰信号建立模糊马尔柯夫模型，根据灰色系统理 论的新息优先原理，利用新数据的有用信息，自适应地实时更新状态转移概率矩阵，进一步提高了 马尔柯夫的预测精度。但预测正确与否，与历史数据容量和状态划分有较大关系，因此，对样本量 和状态数之间存在一个什么样的数量关系时可使预测达到最佳还有待研究【冽。 ( 3 ) 混沌预测方法 许多学者从对交通流非线性的本质研究入手，不断深入了对短时交通流的特性研究，提出了各 种基于混沌时间序列分析和预测方法。在早期的研究中已从理论上证明了实际交通流中存在着混沌 现象。目前，混沌时间序列预测方法有全域法、局域法、加权零阶局域法、加权一阶局域法、基于 l y a p o n o v 指数预测法。 蒋海峰等，研究了基于加权一阶局域法的短时交通量预测，由于该方法引进了权值，使得它比 全域法具有较好的自适应能力和较高的预测精度f 3 们。陈淑艳，王炜，2 0 0 4 年，在判定交通流量存在 混沌的前提下，对交通量的实测数据进行相空间重构，而后在重构相空间上，利用基于l y a p u n o v 指 数的混沌预测方法预测交通量【3 1 】。宗春光等，2 0 0 3 年分析短时交通流量数据在时间序列上的特点， 6 第一章绪论 引入混沌理论的分析方法，从非线性时间序列预测的角度对交通流量预测进行了研究，通过计算交 通流系统相空间重构参数，给出了一种基于相空间重构理论的局部预测方法，具有满意的效果【3 2 】。 ( 4 ) 其他预测模型方法 陈淑艳王炜等，2 0 0 4 年，提出了一种改进的g m ( 1 ，1 ) 模型用于交叉口交通量的预测，由于该 改进的g m ( 1 ，1 ) 模型求解方法非常繁琐，结合遗传算法和最小二乘法，对此改进