（计算机应用技术专业论文）大规模路网动态交通流预测模型和算法研究.pdf

大连理1 = 大学硕士学位论文 摘要 交通流诱导是目前公认的提高交通效率和机动性的最佳途径，其目标是在交通网络 中为行人提供最优的旅行路径。针对如交通网络一样的时变网络，前入已经给出了多种 有效的路径寻优算法。但这些算法要投入动态交通流诱导中应用，目前一个亟待解决的 关键问题是给出交通网络中每条链路上的旅行时间函数r , x o ，为此本文采用交通流预测 的方法动态地给出函数t v ( t ) 的值。本文针对大规模路网( 大中型城市交通路网) 开展动态 交通流预测模型和算法的研究，其内容主要包括两大方面，其一研究路网中单条路段( 分 有检测器和无检测器交叉口两类路段) 的交通流预测模型和算法，其二研究路网动态交 通流预测模型。本文的研究具体包括以下三个方面： 第一，路网中有检测器路段的交通流预测是路网交通流预测的核心，对于该类路段 的交通流预测，本文采用了广义神经网络预测模型和算法，然而在实时在线交通流预测 中，广义神经网络仍然存在推广能力差，收敛速度慢等缺点。为此，本文一方面给出一 种结构优化学习算法，通过在训练过程中自动选取最优的网络结构，有效地提高了在线 交通流预测的准确性。另一方面，提出一种基于蝶形网络的并行学习算法，与现有的基 于训练集分解的并行学习算法相比，大大减少了迭代次数，并较好地克服了传统通信模 式的不足。最后利用大连市实际交通流数据进行实验，实验结果证明新算法在达到相同 的预测精度前提下大大提高了收敛速度。 第二，路网中无检测器路段的交通流预测是路网交通流预测不可缺少的一部分，本 文采用多元统计分析方法和神经网络方法单独建立了无检测器路段的交通流预测模型。 实验结果证明该模型基本满足交通流预测的准确性要求。 第三，针对大规模动念路网，本文设计了动态交通流预测模型，以动态地给出路网 中每条链路的旅行时间函数的值t a t ) ，进而为动态交通流诱导的实施提供了前提条件。 在设计过程中采用了两种关键策略，大大提高了在线预测的速度。 关键词：动态交通流预测；广义神经网络；结构优化；并行学习；大规模路网 大连理1 = 大学硕士学何论文 r e s e a r c ho nd y n a m i ct r a f f i cf l o wf o r e c a s t i n gm o d e la n da l g o r i t h mi n l a r g es c a l et r a n s p o r t a t i o nn e t w o r k a b s t r a c t t r a m cf l o wg u i d a n c ei sc o n s i d e r e da sa i lo p t i m u mw a yt oi m p r o v et r a f f i ce f f i c i e n c ya n d m o b i l i t y ，i t sp u r p o s ei st op r o v i d et h eb e s tt r a v e lp a t h sf o rp e d e s t r i a n si nt h et r a n s p o r t a t i o n n e t w o r k f o rt i m e d e p e n d e n tn e t w o r k ss u c ha st r a n s p o r t a t i o nn e t w o r k ，p r e d e c e s s o r sh a v e p r o p o s e dm a n ye f f i c i e n tp a t ho p t i m i z a t i o na l g o r i t h m s h o w e v e r , w h e np u tt h e s ea l g o r i t h m s i n t ot h eu s eo fd y n a m i ct r a f f i cf l o wg u i d a n c e ，t h ek e yt os o l v et h ec u r r e n tp r o b l e m so f d y n a m i cr o u t eg u i d a n c ei st og i v et h et r a v e lt i m ef u n c t i o n 以力o fe a c hl i n ki nt r a n s p o r t n e t w o r kf o rt h ef u t u r es e v e r a ls e s s i o n s f o rl a r g es c a l et r a n s p o r t a t i o nn e t w o r k ( t r a n s p o r t a t i o n n e t w o r ki nl a r g eo rm i d d l ec i t y ) ，t h i sp a p e rd o e sr e s e a r c ho nd y n a m i ct r a f f i cf l o wf o r e c a s t i n g m o d e la n da l g o r i t h m w h i c hi n c l u d e st w o a s p e c t s o n ei sr e s e a r c ho ns i n g l e1 i n k st r a f f i cf l o w f o r e c a s t i n gm o d e la n da l g o r i t h mi nt r a n s p o r t a t i o nn e t w o r k a n o t h e ri s t od or e s e a r c ho n d y n a m i ct r a f f i cf l o wf o r e c a s t i n gm o d e la n da l g o r i t h mi nt r a n s p o r t a t i o nn e t w o r k n 圮r e s e a r c h i nt h i sp a p e ri n c l u d e st h ef o l l o w i n gt h r e ea s p e c t s f i r s t ，t h et r a f f i cf l o wf o r e c a s t i n go fl i n kw i t hd e t e c t o ri st h ec o r eo ft h et r a n s p o r t a t i o n n e t w o r k st r a f f i cf l o wf o r e c a s t i n g f o rt h et r a f f i cf l o wf o r e c a s t i n go ft h i sk i n dl i n k ，t h i sp a p e r g i v e so u tg e n e r a ln e u r a ln e t w o r kf o r e c a s t i n gm o d e la n da l g o r i t h mb a s e do nr e l a t i o nt h e o r y a n dt r a f f i cf l o wc h a n g i n gc h a r a c t e r h o w e v e r , f o rr e a l t i m eo n l i n et r a f f i cf l o wf o r e c a s t i n g ， g e n e r a ln e u r a ln e t w o r ks t i l lh a v es o m es h o r t c o m i n gs u c ha sb a dg e n e r a l i z i n ga b i l i t ya n ds l o w c o n v e r g e n c es p e e d s o ，o n ea s p e c t ，t h i sp a p e rp r o p o s e sal e a r n i n ga l g o r i t h mm ms t r u c t u r e o p t i m i z a t i o n , w h i c hi st oa u t o m a t i c a l l yc h o o s et h eo p t i m i z e ds t r u c t u r ew h e nt h en e t w o r ki s t r a i n i n g ，a n dt h i sa l g o r i t h me f f i c i e n t l yi m p r o v e st h ep r e c i s i o no fo n l i n et r a f f i cf l o w f o r e c a s t i n g a n o t h e ra s p e c t ，t h i sp a p e rp r o p o s e sap a r a l l e ll e a m i n ga l g o r i t h mb a s e do n p a p i l i o n a c e o u sn e t w o r k ，c o m p a r e dw i t ht h et r a d i t i o n a lp a r a l l e ll e a r n i n ga l g o r i t h mb a s e do n t r a i n i n gs e td e c o m p o s i n g ，a n dt h i sa l g o r i t h mg r e a t l yr e d u c e st h ei t e r a t i o nt i m e sa n dc o n q u e r s t h es h o r t c o m i n g so ft r a d i t i o n a lc o m m u n i c a t i o nm o d e f i n a l l y ，t h i sp a p e rd o e se x p e r i m e n t s w i t i lt r a f f i cf l o wd a t ao f d a l i a nc i t y e x p e r i m e n t sr e s u l t sp r o v et h a tt h en e wa l g o d t h mg r e a t l y i m p r o v e st h ec o n v e r g e n c es p e e dw i t ht h es a m eo rb e r e rf o r e c a s t i n gp r e c i s i o n s e c o n d ，t h et r a f f i cf l o wf o r e c a s t i n go fl i n kw i t h o u td e t e c t o ri san e c e s s a r yp a r to ft h e t r a n s p o r t a t i o nn e t w o r k 。st r a f f i cf l o wf o r e c a s t i n g ，t h i sp a p e ri n d e p e n d e n t l yb u i l d st r a f f i cf l o w f o r e c a s t i n gm o d e lf o rt h i sk i n dl i n ku s i n gm u l t i v a r i a t es t a t i s t i c a la n a l y s i sa n da r t i f i c i a ln e u r a l 大规模路网动态交通流预测模型和算法研究 n e t w o r k e x p e r i m e n t sr e s u l t sp r o v et h a tt h ef o r e c a s t i n gm o d e lc a ns a t i s f yt h er e a lt i m ea n d a c c u r a c yd e m a n do f t r a f f i cf l o wg u i d a n c e t h i r d ，t h i sp a p e rd e s i g n sad y n a m i ct r a f f i cf l o wf o r e c a s t i n gm o d e lt og i v et h ev a l u eo f e a c hl i n k st r a v e lt i m ef u n c t i o n 毛( f ) i nt r a n s p o r t a t i o nn e t w o r k , a n dt h e np r o v i d e st h ep r e m i s e o fd y n a m i ct r a f f i cf l o wg u i d a n c e si m p l e m e n t a t i o n i nt h ep r o c e s so fd e s i g n , t h i sp a p e r i n t r o d u c e st w oc r i t i c a ls t r a t e ：g i e s ，w h i c hc a ng r e a t l yi m p r o v et h er a p i do fo n l i n et r a f f i cf l o w f o r e c a s t i n g k e yw o r d s ：d y n a m i ct r a f f i cf l o wf o r e c a s t i n g ；g e n e r a l i z e dn e u r a ln e t w o r k ；s t r u c t u r e o p t i m i z a t i o n ；p a r a l l e ll e a r n i n g ；l a r g es c a l et r a n s p o r t a t i o nn e t w o r k i v 独创性说明 作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工 作及取得研究成果。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的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均已在论文中做了明确的说明并表示了i 身十意。 作者签名：筮量藿日期：丝：! ：垒 大连理工大学硕士研究生学位论文 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用 规定”，同意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子 版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论 文。 作者签名： 导师签名： 徐玉瓦 大连理一r ：大学硕士学位论文 1 绪论 本章首先介绍了交通流预测在智能交通系统中的重要作用，然后，对交通流预测领 域的研究现状进行了分析，然后针对现阶段交通流预测领域存在的问题提出本文的研究 内容，最后介绍文章的组织结构。 1 1 研究背景与研究意义 交通运输业的发展水平是国家兴旺发达的重要标志之一。交通运输业的高速发展， 一方面促进了物资交流和人们的往来，大大的缩短了出行时间，进而提高了工作效率； 另一方面也带来了许多弊端，特别是汽车交通运输。近半个世纪以来，交通拥挤、道路 阻塞和交通事故频繁发生正越来越严重的困扰着世界各国的大城市。为了提高运输网络 的使用效率，解决交通拥挤和交通安全问题，世界各国纷纷开展了智能交通系统的研究 工作【”。 智能交通系统( i t s ) 是在关键基础理论模型研究的前提下，把先进的信息技术、数据 通信技术、电子控制技术及计算机处理技术等有效的综合运用于地面交通管理体系，从 而建立起一种大范围、全方位发挥作用，并实时、准确、高效的交通运输管理系统。智 能交通系统是目前国际公认的解决城市以及高速公路交通拥挤、改善行车安全、提高运 行效率、减少空气污染的最佳途径。 作为智能交通系统( i t s ) 的重要研究方面，交通流诱导系统是目前公认的提高交通效 率和机动性的最佳途径。交通流诱导系统的实质是向出行者提供实时准确的交通信息 f 包括车流量、车道占有率和行程时间等) ，以便使出行者做出正确的出行选择。然而交 通网络是一个庞大的时变网络( 即时间依赖的网络) ，前人证明了传统的路径寻优算法对 于时变网络是不正确的，并给出时变网络的最小路径算法【2 j 。后来也针对时变网络的路 径优化问题提出了各种有效的解决方法1 3 “，但目前要将这些算法投入实际交通流动态 诱导应用中，一个亟需解决的关键问题是给出交通网络中每条链路上的旅行时间函数 正，( f ) ，本文采用交通流预测的方法给出函数正，( f ) 的值。另外，现代交通管理系统的一项 重要功能是进行交通控制，即利用可变信息对车辆进行诱导实现对交通流的动态分配。 实现这些控制系统需要对现实交通状况有即时的了解，因此需要在道路上安装大量先进 的检测器柬收集交通信息，并对这些数据收集处理产生新的数据信息，这就要求交通分 析模型能够对交通状况进行分析并做出一定的交通流预测。交通流预测是交通分析的主 要功能之一，它能为实时白适应信号控制系统和动态交通分配系统提供交通流预测信 息。因此，研究城市路网中路段上的短时交通流预测模型和算法具有重要的现实意义。 大规模路网动态交通流预测模型和算法研究 同时随着科技的进步和当今交通事业的发展，目前我国( 甚至一些世界发达国家) 的 一些大中城市中路网的密度越来越大，而且路网的节点( 这里指交叉口) 数目越来越多。 高效的交通流诱导和交通控制必然要求实现路网的宏观管理，其l ；i 提又必然是实现路网 中绝大多数( 甚至是全部) 节点的交通流信息预测。交通流预测的前提是历史数据和实时 数据的采集，然而在中国( 甚至是发达国家) 的大中城市并不是所有的交叉1 3 都安装有检 测装置，有的城市安装检测器的交叉口还占不上全部交叉口的十分之一【7 】。没有安装检 测器的交叉口路段的实时动态交通流信息难以获得，无法采用有检测器路段的交通流预 测模型和算法。为实现路网中任意路段的交通流预测，就必须考虑利用有检测路段的交 通流信息建立无检测路段的交通流预测模型。因此对有检测器路段的交通流预测模型和 算法重点展开研究，并对无检测器路段交通流预测模型和算法单独展开研究具有重要的 现实意义。 动态交通流诱导的一个重要指标是实现路网的交通流诱导，而要实现整个路网的动 态交通流诱导，路网动态实时交通流预测是| j 提，因此设计路网动态交通流预测模型以 及研究提高大规模路网下动态交通流预测的速度具有更加重要的现实意义。 1 2 研究现状 出于交通实时控制系统的需要，人们在某些重要的交叉口安装了检测器，这些检测 器可以实时获取交通流量、车道占有率等信息。因此可以利用检测器检测到的历史数据 和实时数据建立交通流预测模型并进行动态交通流预测。在六、七十年代人们就开始把 在其他领域应用成熟的预测模型用于交通流量预测领域，较早期的方法主要有自回归滑 动平均模型( a e , m a ) 、自回归模型( a r ) 、滑动平均模型( m a ) 和历史平均模型( h a ) 等等， 这些线性预测模型考虑的因素都较为简单，参数一般都用最小二乘法( l s ) 在线估计，具 有计算简便，易于实时更新数据，便于大规模应用的特点。但是，由于这些模型未能反 映交通流过程的不确定性与非线性，无法克服随机干扰因素对交通流量的影响，随着预 测时间间隔的缩短，这些模型的预测精度就会变的很差。为了适应短时交通流量变化的 非线性特点，一种改良的具有变型参数九的回归分析模型( 又称b o x c o x 法) 被应用到了 此领域中来，该模型由于增强了回归分析对非线性系统的适应能力，所以对短时交通流 量的预测效果有所改善，但并未从根本上解决问题【8 l 。 随着交通流量预测理论研究的深入，人们又提出了一批更复杂的、精度更高的预测 方法。从表现形式上分，可将它们分成基于确定的数学模型的方法和无模型算法两大类。 前者包括多元回归模型、a r j m a 模型、自适应权重联合模型、k a l m a n 滤波模型、基准 函数一指数平滑模型、u t c s 一2 ( 3 ) 模型以及由这些模型构成的各种组合预测模型等：后 大连理丁大学硕十学何论文 者则包括非参数回归、k a r i m a 算法、谱分析法、状态空间重构模型、小波网络、基 于多维分形的方法、基于小波分解与重构的方法和多种与神经网络相关的复合预测模型 等o 】。后来相关学者又提出了一系列方法，比如基于马尔可夫链的交通流预测方法【j ， 基于数据挖掘的交通流预测方法【1 2 1 ，以及基于仿真的预测方法【i 。近几年来，人们将模 糊数学与其他一些模型相结合，构造了一些交通流量预测算法，取得了一定的效果。 近几年的研究表明，在信息预测方面，人工神经网络优于k a l m a n 滤波、m a 以及 a r i m a 等模型 l4 1 。人工神经网络是旨在模拟人脑结构及其功能的一种新型处理系统， 它是由大量简单的称之为神经元的处理单元以某种拓扑结构广泛的相互连接而构成的 非线性动力学系统。到目前为止，研究者们提出了不少种类的神经网络，按其学习方式 可分为有导师学习网络和无导师学习网络；按网络的拓扑结构可以分为分层结构网络和 相互连接结构网络。经历了5 0 余年发展的神经网络，其应用已渗透到智能控制、模式 识别、计算机视觉、图像处理、信号处理、系统识别、及非线性组合优化等各个领域。 目i ； ，神经网络模型是进行信息预测的常用模型。然而在传统神经网络中，神经元 的结构和功能较单一，神经元内部采用固定的转移函数。因此神经元只具有信息处理能 力而不具有信息存储能力，从而造成整个网络的信息存储能力有限，使其存在寻优速度 慢、实时性差、推广能力低等缺点，对于规模稍大，精度要求稍高的问题，传统神经网 络很难收敛。为此相关学者对神经网络的结构设计和学习方法进行了大量研究。d o n g j o o p a r k 等人用输入层扩展的b p 神经网络建立交通流预测模型【l5 1 。扩展输入层实质是增加了 输入层与隐含层的连接权的数目，从而提高神经网络的信息存储能力。为了进一步提高 神经网络的信息存储能力，有关学者提出了广义神经网络理论。广义神经网络的神经元 不仅可以是传统神经网络中的简单神经元，还可以是具有信息存储能力的智能神经元， 以及由一个神经网络抽象成的( 多输入多输出) 神经元i l “。所谓智能神经元是具有信息存 储能力，并可以通过一定的学习规则在一类或几类函数中调整其处理函数的神经元【l 6 j 。 传统智能神经元是以抽样函数为基础构建的。相关学者用线性独立函数构造了新型智能 神经元，并用这种智能神经元组成了广义神经网络。该种广义神经网络收敛速度、预测 精度等性能较普通神经网络均有很大改善1 1 7 j 。 然而，在神经网络的实际应用中，训练好的神经网络不一定具有好的推广能力。分 析神经网络的工作原理可知，神经网络采用的是经验风险，所以推广能力不仅与训练样 本有关，而且与网络的结构有关。网络的结构优化问题一直是国内外研究的热点，已有 近2 0 年的历史。神经网络的输入层和输出层的神经元个数根据实际问题确定，因此确定 网络的隐含层层数及各隐层的神经元数在很大程度上决定着网络的记忆容量、泛化能 力、训练速度。网络结构优化尚缺少理论指导，隐层神经元过少，学习可能不收敛，网 大规模路网动态交通流预测模犁和算法研究 络的泛化能力；隐层神经元过多，往往使网络偏于冗余，训练速度和容错能力下降【1 8 】。 在实际应用中，网络结构的确定往往凭经验选取，但在大规模路网动态交通流预测中， 由于路网中不同路段不同时段上的交通流情况往往相差很大，庞大的路段数和时段数使 得经验选取方法不再适合。李倩等人提出了混合剪枝算法h a p ( h y b r i da l g o r i t h mo f p r u n i n g ) t 1 9 1 ，该算法首先联合进化算法代表之一遗传算法( g a ) 和反向传播算法b p 的不同 优势完成a n n 网络结构和权重进一步简化、确定网络结构。并结合案例与以往的混合策 略算法进行对比研究，结果表明h a p 在寻优能力、简化网络结构、保证稳定性等方面均 有明显优势，更加适合大规模a n n 的优化问题。相关学者神经网络的v c 维理论进行了 大量的研究，提出了一些有价值的建议【2 0 - 2 3 1 。一些学者用v c 维理论实现神经网络结构 的控制，取得了较好的效果，但激活函数仅限于线性激活函数【2 4 2 6 】。也有一些学者对基 于s i g m o i d 激活函数的神经网络的v c 维进行了研究，并给出了基于s i g m o i d 激活函数的神 经网络的v c 维的上下界 2 7 - 2 9 ，但是这些上下界仍然相距很远。 在实际的交通流预测中，被预测路段与其相邻的路段之间相互影响，这就使整个神 经网络的输入模式规模大大增加【3 0 】，因此整个网络的学习时间也大大增加，难以满足实 际问题的需要。为了克服上述缺点，相关学者对神经网络的结构和学习算法进行了大量 的研究。神经网络的结构是并行的，其处理顺序也是并行的，大规模并行处理是神经网 络计算的主要特征【3 ”。并行处理方法已经被证明是减少网络学习时间的有效方法p 1 3 6 1 。 神经网络的并行性主要可以分为五类：网络级并行、训练集级并行、层级并行、节点级 并行和学习算法并行化。近年来，相关学者提出了许多神经网络的并行学习算法，来加 快神经网络的收敛速度。g u a ns 等人提出一种基于输出层分解的并行学习算法，每个子 任务负责计算一部分节点的输出，从而加快了收敛速度【3 ”。p h u a 等给出的并行学习算法 中，权值的学习采用了优化方法中收敛速度较快的拟牛顿法，进一步加快了神经网络的 学习速度【3 2 】。n o v o k h o d k o 等将b p 学习算法用矩阵操作表示，通过并行矩阵相乘操作， 实现数据和结构同时并行p 3 】。l i 等人给出了一种将搜索空间分割的b p 神经网络并行算 法，将权值的搜索空间分成若干个子空间，扩大了算法的寻优空日j ，有效的克服了神经 网络学习过程中易陷入局部极小的缺点，同时将这种方法用于模式识别，取得了良好的 效果【3 4 】。k a l a i t z a k i s 等人将并行神经网络用于短时负载预测，预测效果较其它方法大大 提耐3 5 】。e l 等人给出了一种训练集分解的神经网络并行学习算法，该算法使相邻子任务 的训练集部分重叠，从而使每个子任务得到的权值相近，以此减少整个算法的循环次数 和通信开销【j 。 为了实现整个路网的交通流诱导，就必须实现无检测器路段的交通流预测。然而对 于没有安装检测器的交叉口路段，其上的交通流数据就难以获得，采用上面的交通流预 大连理1 = 大学硕十学位论文 测方法无法实现。目前，针对无检测路段交通流预测，相关学者已提出了一些预测方法 1 7 3 7 - 3 9 , 这些方法大致可以分为两类：一类是基于多元统计学习理论的方法( 比如，聚类 分析、判别分析、主成分分析、多元回归分析等) ，另一类方法是基于人工智能的方法( 例 如，灰色理论系统法、灰色神经网络方法等) 。孙燕等人提出利用灰色系统理论预测无 检测器交叉口交通流量的方法，并建了一种自适应g m ( i ，1 ) 模型，而且实验结果表明， 该模型可以实现根掘有限的交通流数据进行预测【”】。陈新全等人提出一种基于灰色神经 网络的无检测器交叉口交通流量预测方法，通过选择不同长度的历史数据构建不同的灰 色预测模型，对于不同灰色预测模型的道德预测结果再使用神经网络进行组合，而且实 验结果证明其实有效可行的口。张赫给出了基于多元统计学习理论的无检测交叉口交通 流量预测方法，实际交通流数掘进行实验，实验结果表明了这些方法的有效性【7 1 。杨兆 舞，张赫等人在研究交叉日相关性的基础上，利用逐步回归法预测无检测器交叉口交通 流量，取得了较好的效果p 9 1 。 另外，交通领域的相关学者对交通流变化特性进行了研究，指出交通流的变化特征 的研究是交通流预测建模的前提【17 ，删。因为在对交通流建立神经网络预测模型时，网络 输入模式和训练样本集应能反映交通流的一般变化特性，其选取是否合适直接影响到神 经网络预测模型的收敛速度和预测精度。夏冰等人对交通流变化特征进行分析，得出交 通流具有很强的周相似性，并针对这种周相似性，对交通流数据进行分解从而建立交通 流预测模型，而且实验证明了该模型的合理性1 4 0 。路段是路网的一部分，路段的交通流 信息与其相连路段的交通流具有相关性，前人利用相关性分析理论建立了基于b p 神经 网络的交通流预测模型，通过选择与预测路段预测时段相关性强的不同路段、不同时段 的交通流信息作为神经网络输入，有效地提高了模型的预测精度【1 7 】。只有当交通流具有 分形特性的时候，才可以进行交通流预测，贺国光等人指出5 分钟内的交通流具有分形 特性【4 ”。 目前在交通流预测领域，相关学者已经提出大量的有效的交通流预测方法，但是任 何研究都开始于实验室研究，并最终走向现实应用，交通流预测的研究也不例外。如何 设计实现大规模路网的实时动态交通流预测目前突显重要性和紧迫性。本文正是从交通 流预测解决动态交通流诱导中实际问题出发，致力于实现整个路网中所有路段的实时动 态交通流预测。一方面保证实现有检测器路段和无检测器路段实时准确的交通流预测。 其中无检测器路段交通流预测必然要利用有检测器路段的交通流预测结果，因此研究有 检测器路段的交通流预测模型和算法，提高有检测路段交通流预测精度和实时性是本文 的一个重点。神经网络由于较好的适应性和稳定性，已经成为信息预测领域的常用技术， 然而在实时在线交通流预测中，广义神经网络仍然存在推广能力差，收敛速度慢等缺点。 大规模路网动态交通流预测模型和算法研究 因此，在本文中有检测器路段的交通流预测的研究重点为如何在训练过程中自动确定最 优的神经网络结构和如何加快神经网络的学习速度。另一方面设计出实用的动态交通流 预测模型，并研究如何提高大规模路网下交通流预测的预测速度。 1 3 本文的主要工作 本文致力于从实际应用的角度研究大规模路网实时交通流预测，实时动态地给出路 网中每条链路的旅行时间函数r , x o 的值，从而为动态交通流诱导提供基础。一方面实现 路网中任意路段的交通流预测；另一方面致力于提高路网交通流预测的速度和精度，以 满足路网动态交通流诱导的要求。本文的主要工作可以总结为以下三个方面： ( 1 ) 有检测器路段交通流预测模型和算法的研究，具体工作包括以下五项。 利用现有的广义神经网络模型建立有检测器路段的交通流预测模型； 剖析了现有广义神经网络预测模型的性能指标及其影响因素： 为提高神经网络预测模型的预测精度，依据神经网络的v c 维理论实现神经网 络结构自适应优化，从而实现利用最简单结构的神经网络达到最好的预测效果； 为提高神经网络的收敛速度，提出一种基于蝶形网络的并行学习算法，与现有 的基于训练集分解的并行学习算法相比，大大减少了迭代次数，并较好的克服了传统通 信模式的不足，在达到相同的预测精度的同时提高了收敛速度： 利用大连实时交通流数据进行实验，并对实验结果进行了分析。 ( 2 ) 无检测器路段交通流预测算法和模型的研究。 主要工作是采用聚类分析技术、判别分析技术和神经网络技术建立了一种无检测器 交叉口交通流预测模型。利用有检测器交叉口的交通流预测结果预测无检测交叉口的交 通流信息，实验结果表明可以满足动态交通流诱导的准确性要求。 ( 3 ) 大规模路网动态交通流预测模型和算法。 从实际应用角度出发，针对大规模动态路网，设计了动态交通流预测模型和算法。 在设计过程中采用了两种关键技术，提高了预测速度，缓解了大规模路网交通流预测计 算量大而导致的实时性差的问题，为满足路网动态交通流诱导的实时性要求做了重大贡 献。 1 4 本文的组织结构 本文余下部分组织如下： 第二章路网中有检测器路段的交通流预测模型和算法。该部分首先利用现有的广 义神经网络模型建立有检测器路段的交通流预测模型；然后在剖析广义神经网络学习算 法性能的基础上给出两种改迸算法，最后利用大连实际交通流数据进行实验。 大连理i ：大学硕士学位论文 第三章路网中无检测器路段的交通流预测模型和算法。该部分首先介绍聚类分析 的一些基本理论，然后介绍判别分析技术，最后结合神经网络技术建立无检测器交叉口 交通流预测模型。 第四章大规模路网动态交通流预测模型和算法。首先给出设计中采用的两种关键 技术，然后对模型的各模块进行了算法设计，最后给出链路行程时间的推算，从而给出 交通网络中每条链路上的旅行时间函数t v ( t ) ，以解决时变交通网络中动态路径诱导的关 键问题。 大规模路网动态交通流预测模l u 和算法研究 2 路网中有检测器路段交通流预测模型和算法 2 1 问题提出 交通流诱导的一个重要指标就是实现路网的交通流预测，为了对路网交通流状态进 行预测，必须对路网绝大多数( 甚至是全部) 节点( 交叉口) 的交通流状态进行预测。目前 为了交通控制的需要，在某些交叉口安装了检测器以实时获取交通流量、车道占有率等 信息。利用检测器检测到的历史数据和实时数据可以建立交通流预测模型并进行动态交 通流预测。然而，目前在中国( 甚至是发达国家) 的大中城市并不是所有的交叉口都安装 有检测装置，有的城市安装检测器的交叉口还占不上全部交叉口的十分之一。有检测器 的交叉口的交通流预测利用实时采集的数据实现，无检测器交叉口的交通流预测只能借 助有检测器的交叉口的实时交通流数据实现。因此本章单独进行无检测器交叉口路段的 交通流预测算法研究。 有检测器交叉口在路网中往往都具有重要作用，同时，有检测器交叉口的交通流预 测是无检测器交叉口交通流预测的基础。因此有检测器交叉口交通流预测在路网的交通 流诱导中起着关键的作用，其模型的研究具有重要意义。 近年来，为了满足交通流诱导和交通控制的需求，有关学者开始研究无检测器交叉 口路段的交通流预测算法，并提出了一些预测方法，这些方法大致可以分为两类：一类 是基于多元统计学习理论的方法( 比如，聚类分析、判别分析、主成分分析、多元回归 分析等) ，另一类方法是基于人工智能的方法( 例如，灰色理论系统法、灰色神经网络方 法等) 。 本章利用聚类分析技术、判别分析技术和神经网络技术建立了无检测器交叉口交通 流预测模型。基本思想是首先利用实时检测的交通流数据对有检测器的交叉口进行分 类，然后将无检测器的交叉口归入其中的某一类，从而实现对整个路网节点的分类；然 后用同一类交叉口中有检测器交叉口的交通流量去预测无检测器交叉口的交通流量。 人们从六、七十年代就开始致力于研究高效的短时交通流量预测方法，至今已提出 了众多的预测方法。目前，常用的交通流预测算法大致可以分为两大类：基于确定的数 学模型的算法和无模型算法i s ，然而由于城市交通系统是一个有人参与的、时变的、复 杂的非线性大系统，城市道路交通流量具有高度的时变性和非线性的特点，很难给出比 较精确的解析表达式，这就给许多算法带来了收敛速度慢、精度低、适应性差、受随机 干扰要素影响大的缺点，难以满足城市交通诱导系统的需求【9 l 。 近几年研究表明，在信息预测领域中，人工神经网络表现出许多显著的优势。人工 神经网络是一种基于数据驱动的自适应的学习方法，不需要给出精确的解析表达式1 4 2 j ， 一8 一 大连理工大学硕士学位论文 具有适应性和稳定性好，预测精度高等优点。人工神经网络的工作原理是利用大量训练 样本，通过某种训练算法不断修改神经元间的连接强度( 权值) ，从而找到一组合适的连 接强度，以建立一种从n m 的非线性映射关系，使神经网络具有人的大脑的记忆、辨识 能力，完成各种信息的处理功能。误差逆传播算法是训练神经网络的有效算法，经该算 法训练的神经网络称为b p 神经网络，b p 神经网络模型己成为预测领域常用的一种神经 网络。 然而，在传统神经网络中，神经元的结构和功能较单一，信息存储能力有限，对于 规模稍大的学习问题，传统神经网络很难收敛。为了提高神经网络信息存储能力，有关 学者提出了广义神经网络理论。广义神经网络的神经元不仅可以是传统神经网络中的简 单神经元，还可以是具有信息存储能力的智能神经元，以及由一个神经网络抽象成的( 多 输入多输出) 神经元。 本章在对前馈型神经网络和广义神经网络的基础理论介绍之后，介绍了下面四方面 的工作： ( 1 ) 利用现有的广义神经网络模型建立有检测器路段的交通流预测模型； ( 2 ) 剖析了现有广义神经网络预测模型的性能及其影响因素； ( 3 ) 在介绍统计学习理论的基础上，给出一种结构自适应优化方法，实现了在训练 神经网络的同时找到最优网络结构，进而有效地提高了神经网络的泛化能力； ( 4 ) 最后在介绍现有的并行化学习方法的基础上，从克服现有的基于训练集分解的 并行学习算法的不足出发，提出一种基于蝶形网络的并行学习方法，与前者相比，在达 到相同的预测精度的情况，有效地提高了交通流预测速度； ( 5 ) 利用大连实时交通流数据进行实验，并对实验结果进行了分析。 2 2 广义神经网络的交通流预测方法 2 2 1 前馈神经网络的结构与工作原理 前馈神经网络是多层人工神经网络的一种，可以看作一个有向图。前馈型神经网络 由一个输入层，多个隐含层和一个输出层组成，每层神经网络又由多个神经元组成，而 且各层神经元之间都有连接，连接强度用权值表示。三层前馈型神经网络的结构如图2 1 所示。 前馈型神经网络的工作原理是通过不断地输入大量训练样本，利用某种学习算法不 断地修改神经元间的连接强度( 权值) ，力求找到一组最优的连接强度以建立一种门蜥的 非线性映射关系，来反映训练样本集所蕴含的映射关系，从而使神经网络具有人的大脑 的记忆、辨识能力，完成各静信息的处理功能。 大规模路网动态交通流预测模犁和算法研究 x 输入层隐含层输出层 图2 1 前馈型神经网络结构 f i g 2 1s t r u c t u r eo f f e e d f o r w a r dn e u r a ln e t w o r k y 2 2 2 误差反向传播学习算法 误差反向传播( e r r o r b a c k p r o p a g a t i o n ) 算法是训练f j i 馈型神经网络的常用方法，而且 采用b p 算法训练的神经网络称之为b p 神经网络。( b p ) 误差反传算法的主要思想是学 习过程分为两个阶段：第一个阶段( 正向传播过程) ，输入信息后首先向前传播到隐含层 的神经元上，经过各单元的激活函数运算后，把隐层神经元的输出信息传播到输出层神 经元，最后经输出层激活函数运算后给出输出结果。如果输出层不能得到期望输出，就 计算实际输出与期望输出之间的误差，转入反向传播过程。第二阶段( 反向过程) ，将误 差信号沿原来的连接通路返回，通过修改各层神经元的权值，实现误差逐次地向输入层 传播。反向传播结束后开始下一个正向传播过程，这两个过程反复运算，直至误差信号 最小。 设含有共层和n 个神经元的一个任意网络，每层单元只接收前一层的输出信息并 输出给下一层各单元，各神经元的激活函数为s i g m o i d 型函数，它是连续可微的。设置 为输入向量，x k = ( x 1x z ，l ，x o ) k = 1 ，2 ，l ，搬；其中，五为与所要预测的交通流量相关 的向量，如相关路段的交通流量、前几个时段的交通流量，天气因素等。m 为学习模式 对，以为输入层单元个数。对应输入模式的输出向量为，k = ( m ，肋，l ，虬) ，q 为输出层 单元个数。 大连理1 ：大学硕十学付论文 隐含层各单元的输入为： q = q 薯一e ，= l ，2 ，l ，p ( 2 1 ) ，= l 式2 1 中，q 为输入层与隐含层的之间的连接权值，q 为隐含层单元的阈值，p 为 隐含层单元的个数。转移函数采用s i g m o i d 函数f ( x ) = 1 ( 1 - b e “) ，则隐含层单元的输出 值为： “ 屯= 1 【1 + e x p ( 一q t + q ) 】 ( 2 2 ) i = 1 同理，输出层单元的输入、输出值分别为： ，( 2 3 ) 式2 3 中，屯通过式2 2 计算得到，为隐含层到输出层的连接权值，以为输出层 单元的阈值。 在误差反向传播过程中，首先要进行误差计算，设第k 个学习模式对期望输出与实 际输出的误差及全局总误差为： b = ( 矿一才) 2 2 “1 ( 2 4 ) md e = ( 一0 ) 2 2 为使公式2 4 中，邑不断按梯度原理减少，应与薏的负值成正比，即： g l t = - - a t 盟o l d (25)it 竽：鲁挈 ( 2 6 ) 如i t 芘l 执i t j一 一 + 6 。一 吖 醑 以 托 。沙一步 = = 厶 e 大规模路网动态交通流预测模犁和算 法t o t 究 由2 5 ，2 6 ，2 7 ，2 8 四式可以得出： = 口钟屯 f = l ，2 ，l ，g ；，= l ，2 ，l ，p ：k = 1 ，2 ，l ，m 式2 9 中，口为学习率( 步长) ，而 d o t y ! 一c k j