城市道路交通流量短时的研究

硕士研究生学位论文 题目： 城市道路交通流量短时预测的研究 学 号： 076375 姓 名： 刘丽娜 专 业： 控制理论与控制工程 导 师： 吴建平 左兴权 学 院： 计算机学院 2009年 12 月 20 日1.1 绪 论近几十年来，中国的城市化与汽车化迅猛发展。随着社会经济的快速增长，人民生活水平的不断提高，作为城市经济与文化活动纽带的交通受到人们越来越多的关注。在中国，大多数城市路网结构不合理，道路系统功能不完善，交通管理设施匮乏。现有的城市交通控制中心大部分都只是实现了交通监视功能，而并没满足交通状态的实时控制需求。因此，合理的利用城市现有的计算机网络技术和通信技术进行实时交通流诱导、建立城市交通紧急事件处理系统，将大幅度减轻道路交通堵塞的发生、经济损失和人员伤亡，对提高交通营运收入有着重要的社会意义和经济价值。因此，智能交通系统（Intelligent Transport System简称ITS）应运而生。1.1智能交通系统概述智能交通系统是指将先进的信息技术、数据通讯传输技术、电子控制技术、计算机处理技术等应用于交通运输行业从而形成的一种信息化、智能化、社会化的新型运输系统。智能交通技术通过对交通信息的实时采集、传输和处理，借助各种科技手段和设备，对各种交通情况进行协调和处理，建立起一种实时、准确、高效的综合运输管理体系，从而使交通设施得以充分利用，提高交通效率和安全，最终使交通运输服务和管理智能化，实现交通运输的集约式发展1。1.1.1 智能交通系统组成智能交通系统是一个跨学科、系统化的综合研究体系，其系统组成大致如下2：1交通管理系统ATMS（Advanced Traffic Management System），是一种主动控制的综合交通管理系统，是智能交通系统的核心与基础。该系统的主要任务是将交通监测得到的道路交通状况信息通过通讯设备传输到交通控制中心，交通控制中心再结合其他方面获得的信息制定和评估交通策略，通过执行整体性的交通管理，实现道路交通状态的实时控制和协调功能。2交通信息系统ATIS（Advanced Traffic Information System），包括无线数据交通信息通道、车载移动电话接收信息系统、路由引导系统及选择最佳路径的电子地图。它建立在完善的信息网络基础上，交通参与者通过装备在道路上、车上、换乘站上、停车场上以及气象中心的传感器和传输设备，可以向交通信息中心提供各处的交通信息，系统得到这些信息并通过处理后，实时向交通参与者提供道路交通信息、公共交通信息、换乘信息、交通气象信息、停车场信息以及与出行相关的其他信息。3车辆控制系统AVCSS（Advanced Vehicle Control Safety System），将传感器、计算机、通信和自动控制技术应用于车辆及道路设施上，包括对驾驶员的警告与帮助，避免与障碍物相撞等自动驾驶技术。此外，对车辆本身而言主要由车辆辅助安全驾驶系统和自动驾驶系统两部分组成。为高速公路和城市道路提供了一个自适应的智能控制系统，从而改善交通流状况，以缓解所有机动车辆的交通拥挤问题。4公共交通系统APTS（Advanced Public Transportation System），包括公共交通车辆定位系统、客运量自动检测系统、行驶信息诱导系统、自动调度系统、公交计费系统、视野支持系统和旅客服务系统等。它的主要目的是改善公共交通的服务水平，提高运营效率，增强公共运输的吸引力。5电子收费系统AETCS（Advanced Electronic Toll Collection System），通过电子卡、电子标签由计算机自动完成行驶或进出停车场车辆的收费，实现地面交通费用收缴的自动化，从而减少停车延误，提高运营效率。电子收费系统是为用户支付通行费、车票费、存车费等提供一种通用的电子支付手段，实现收费和支付的自动化，从而推动多式联运的发展。6紧急事件管理与救援系统EAMSS（Emergent Affair Management and Succor System），它的基础是ATMS、ATIS和有关的救援机构，通过ATMS和ATIS将交通监控中心、交通警察、道路养护管理机构、职业的救援机构、灾害处置管理中心等联成有机的整体，为道路使用者提供现场紧急处置、拖车、现场救护、排除事故车辆等服务。1.1.2 国内外研究现状智能交通系统作为目前世界交通运输科学技术的前沿，发达国家都先后投入了大量的资金和人员来进行研究。借助于先进的信息通信技术，使得道路和车辆更加协调，交通更加系统化，减少交通拥堵和交通事故的发生，提高交通安全性。随着智能交通系统研究领域和内容的不断深入扩展，逐级形成了美国、欧洲和日本三大阵营。在ITS这个名称出现之前，美国的IVHS（Intelligent Vehicle-Highway Systems）、欧洲的RTI（Road Transport Information）、日本的RACS、AMTICS、UTMS、ARTS、SSVS、ASV等都是和ITS意义等同的称谓，其中美国的ITS研究发展体系最为完善3。日本是最早开始进行ITS研究的国家。1973年日本国际贸易和工业省发起了全面的车辆交通控制系统的研究，以综合汽车交通控制系统为智能交通系统的雏形拉开了国际ITS的研究帷幕。汽车综合交通控制系统和智能车辆道路系统被认为是日本最早的智能交通系统项目，当时在世界上处于领先地位。日本ITS的研究具有如下特点：日本的运输咨询公司很少，因为ITS科研项目与工业紧密挂钩，所以大多数ITS项目由实力雄厚的汽车、电子业的大公司或由政府机构承担；政府和工业部门对ITS研究长期的支持使得其ITS研究具有连贯性；ITS的研究成果面向市场，这种研究动力促进了诸如车辆导航系统等产品的快速开发与应用；目前日本在ATMS和ATIS的实际部署方面处于国际领先地位。此外，日本制定了智能道路计划和先进安全型汽车计划，在计划中将用先进的通信设施不断向车辆发送各种交通信息，所有的收费站都不需停车交费，能以较快的速度通行，道路与车辆可高度协调，道路提供必要信息以便车辆进行自动驾驶3。欧洲从1986年开始涉足ITS领域的研究，由欧洲主要汽车公司发起的PROMETHEUS（Program for an European Traffic with Highest Efficiency and Unprecedented Safety）计划旨在以汽车为主体，利用先进的信息、通信、自动化技术来改善运输系统，减轻交通问题。欧洲在智能交通系统方面主要在进行交通通信、移动通信平台、交通信息服务等方面的开发和应用，利用这些系统提供应急呼叫、远程诊断、导航、交通信息、旅游信息和预订、道路收费、货运和车辆管理以及针对步行者的定位、找路和实时信息服务等4。美国比欧洲和日本部署ITS研究要晚，1987年一些对ITS感兴趣的学者成立了Mobility 2000组织，该组织后来演变成为现在的ITS America。ITS America不但是美国运输部的国家ITS研究发展规划的咨询机构，而且还负责协调美国工业部门和大学、科研机构的ITS研究。1991年美国国会通过了“综合地面运输效率方案”，将智能交通系统的研究作为大规模国家综合开发项目，并确定由美国运输部负责全国的智能交通系统发展工作。1995年3月，美国运输部正式发布了“国家智能交通系统项目规划”，规定了智能交通系统研究内容的7个领域和29项研究项目内容，确定了到2005年的发展计划。我国智能交通系统的研究始于20世纪70年代末的城市交通信号控制实验研究，虽然起步较晚但在基础理论模型研究方面却处于先进水平，随着电子技术、计算技术和通信技术的发展，如果把软硬件结合起来，将有力地推动我国智能运输系统研究的深入开展5。我国政府部门和交通运输界已经认识到开展智能运输系统研究的重要性，交通部在“十五”期间，对一些城市进行交通智能化改造，并确定北京、天津、上海、重庆、广州、深圳、济南、青岛、杭州、中山等十个城市作为智能交通系统示范城市，并陆续指定出台了智能交通系统发展规划。此外我国将从2008年起在全国36个城市实施以实现城市交通智能控制为主要内容的“畅通工程”，并逐步推广到全国100多个城市6。1.2 本文的研究意义研究智能交通系统的目的是使行人、车辆、道路和环境和谐相处，所以智能交通系统被认为是解决道路交通阻塞、减少环境污染和降低交通事故发生等交通问题的有效方法。然而，道路交通状况的预测是智能交通系统研究的核心部分之一，其主要内容是依据主要道路交叉路口和断面的交通流量信息，利用适当的方法进行实时动态预测，为给出行者提供最佳行驶路线、均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据。交通流量是判别道路交通状态的一个关键因素。随着智能交通技术发展，道路上交通流量数据采集设备也随之逐步完善。目前我国普遍采用环形线圈检测器检测实时交通流量，超声波检测器、红外线检测器、视频检测器、微波检测器等先进的交通流检测设备也越来越广泛地应用于交通流量的实时检测。但是，对于一个功能完善的交通流诱导系统而言，采用任何一种检测器实时检测交通状态信息都存在滞后性。因此，采用先进的技术对检测器得到的实时交通数据信息做相应的处理，得到未来时刻交通状态的预测是实现道路交通流诱导系统的关键。交通流量预测根据预测时间间隔的长短分为长期交通流量预测、中期交通流量预测和短时交通流量预测三种。为交通诱导和控制服务的交通流量预测属于短时交通流量预测，实时准确的短时交通流量预测是智能交通管理的必要条件，交通管理部门可以通过控制系统在拥堵发生之前及时采取管控措施，避免交通拥堵为道路使用者带来出行延误。同时，交通流量短时预测是交通状态预测的基础，根据预测的交通状态信息实现交通流的诱导，以使道路使用者及时避开交通拥挤路段，达到道路资源利用的最大限度。因此，交通流量短时预测在智能交通系统中起着非常重要的作用，也是近些年国内外学者研究的重点问题之一。本文正是基于此背景下进行选题，开展全面、科学、合理的城市道路交通状态预测的研究，并建立有效的交通预测模型，为出行者的决策提供支持技术和参考信息，也为城市交通管理者实时了解路网交通状态变化的信息，及时采取对策，疏导交通、减少拥挤，提高交通安全保障，使有限的路网时空资源发挥最大的效率而提供帮助。1.3 本文的研究内容本文首先分析了杭州市环城北路至莫干山路的断面交通流量数据，在分析交通流量的时间、空间分布特征的基础上，深入分析了国内外几种常用的交通流量短时预测方法，并指出了各种预测方法的优点、不足和适用条件。然后针对城市道路交通流量具有非线性、时变性和不确定性等特点，而人工神经网络作为模拟人脑的生物结构算法的数学模型，具有分布式处理、自组织、自适应、自学习的良好特性；本文采用人工神经网络的方法进行杭州市交通流量短时预测的研究。其次综合考虑交通流量在时间上的历史关联性和空间上的上游路段交通流量的影响，本文分别构建了单点预测模型和多点预测模型。在Matlab2007R平台上分别对杭州市环城北路至莫干山路断面交通流量数据进行预测，用m语言编程仿真实现基于BP、RBF、GRNN三种人工神经网络的交通流量预测模型。通过大量实际采样数据的预测验证，对比分析三种模型的仿真预测结果，得出杭州市道路交通流量短时预测方法的研究结果，即BP神经网络预测仿真时间最长，但准确度居中；GRNN神经网络预测仿真时间最短，但准确度最低；RBF神经网络预测仿真时间居中，但准确度最高。综合考虑预测所用的仿真时间和准确度，最终得出RBF神经网络更适合于杭州市实际交通流量短时预测研究的结论。最后，提出城市道路交通流量的短时预测中有待进一步研究的问题。1.4 本文的结构安排 本文正文部分分为六章，各章的主要内容如下：第一章：介绍了本文的研究背景、研究意义、研究内容和结构安排。第二章：介绍了交通流量采集技术及交通流量数据的预处理方法，并针对杭州市实际交通流量数据进行交通流量的特点分析。第三章：介绍了目前常用的几种交通流量短时预测方法，分析了各种预测方法的原理和实用性。第四章：介绍了人工神经网络的基本理论，主要论述了BP、RBF、GRNN三种神经网络结构特点和学习过程。第五章：介绍了交通流量预测模型的评价方法和指标，详细论述了基于BP、RBF、GRNN三种神经网络的交通流量短时预测模型的构建。针对这三种神经网络预测模型，采用Matlab仿真实现对杭州市道路交通流量数据短时预测结果的对比分析。第六章：对全文进行总结，并提出下一步的工作展望。第二章 交通流量的采集和特点分析2.1 交通流量的采集技术交通流量是交通控制和交通流诱导的重要指标，用于判定道路的车流拥堵情况。交通流量的采集是在固定地点、固定时间段内的车辆数量的数据采集，主要的采集方法有人工采集法、试验车移动调查法、摄像法和车辆检测器测定法。交通流量的人工采集法、试验车移动调查法和摄像法都不具有自动采集的功能。人工采集法是指测量人员在待测定的时间和地点手工记录通过该地段的车辆数的方法。这种方法简单易行，不需要复杂设备，但需要较多的人力。因此只适于做短期的交通调查，而不适于交通流的实时诱导和控制。试验车移动调查法是通过在测试区间内驾车反复行使测量，求得区间内断面平均交通流量的方法。摄像法是在测定断面上做标记后，对其做定时摄像，然后对照片进行处理可得出交通流量，此方法成本高，资料处理工作量大8。目前常用的交通流量车辆检测器主要有环形线圈检测器、超声波检测器、磁性检测器、红外线检测器、微波检测器。视频图像处理技术也正在应用于交通流量的监测。下面对各种检测器进行简单的介绍9。l环形线圈检测器。环形线圈检测器是目前使用最为广泛的交通检测装置。它是利用埋设在车道下的环形线圈对通过线圈或存在于线圈上的车辆引起的电磁感应的变化进行处理而达到检测目的。当车辆通过线圈时产生电感量的变化引起相位的变化，通过相位比较器获得一个相应的信号，它可用来检测交通流量、占有率和速度。2超声波检测器。超声波检测器是通过接收由超声波发生器发射的超声波束并经过车辆反射的超声回波来检测车辆，它由车道上方的超声波探头向下发射一束超声波，车辆通过这些波束时，引起波束反射回发送部件，通过判断信号与反射回波信号在时间上的差异来检测车辆数和车辆类型，用双探头可以检测车速。3磁性检测器。磁性检测器是通过磁场变化来进行检测的。将高导磁材料绕上线圈，用绝缘管封装埋设在车道下面来感应车辆，当车辆靠近或通过线圈时，穿过线圈的磁场发生变化，这样即可检测车辆的信息。磁性检测器的优点是价格便宜，容易安装，特别是地磁检测器。4红外线检测器。红外线检测器一般采用反射式和阻断式检测技术。反射式红外线检测器使用反射接收器，用来反射光束和接收反射光束，通过记录路面和车顶反射率的变化对车辆进行检测。阻断式红外线检测器由位于路段一侧的反射接收器和车道另一侧的强反射板组成，车辆通过时，反射波被切断而检测到车辆。红外检测器还能采集车辆速度信息。5微波检测器。微波检测器是按照多普勒效应原理工作。该检测器向行驶的车辆发射10MC的微波束，波束被车辆阻挡而发生反射波，引起频率变化，经过接收，鉴频放大，输出一个检测信号，以检测流量和速度。6视频图像处理技术。视频图像处理技术是将一段道路的交通状况摄成图像，并将原有的道路和路旁景物图像附加在图像上检测出交通流量和速度的新兴技术，它能够提供一段道路上的交通状况数据，必将为交通信息的采集方法产成深远的影响。以上六种车辆检测技术中，环形线圈检测器是目前使用最为广泛的交通参数检测装置。本文所研究的交通流量数据采自于环形线圈检测器。2.2 交通流量的特点分析 交通流量是指单位时间内通过道路指定地点或断面的车辆数目，一般用Q表示：其中，N为观测时间段内的车辆数目；T为观测时间段长度。交通系统是行人、车辆、道路共同作用的复杂系统，由于人们出行行为的总体规律性以及城市道路网络通行条件的实际约束，交通流量具有明显的非线性和时变性特点，下面主要从动态性、时间相似性和空间相关性三个角度进行分析。2.2.1 动态性分析随着社会经济的发展，人们出行需求显著提高，因而城市道路同一路段的交通流量在不同的时段所呈现的数据分布规律上有很大不同。此外，由于季节天气的变化，人们出行方式和出行频率会受到影响，城市道路的通行能力也会随之变化。因此，在不同季节、不同时段内分配到路网中各个路段上的交通流量均不同。同样，节假日和工作日的交通流量在数量和分布规律方面也有显著差异。此外，交通事故、临时性的交通管制等也会影响道路上的交通流量。而且，即使在同一周内，同一路段的交通流量在工作日（周一到周五）与周末（周六、周日）、工作日与工作日之间也不尽相同；在同一天的不同时段内，交通流量随着时间不断变化10。总之，城市道路的交通流量是由交通需求、路网条件、交通管理控制方案、公共交通出行比例、信息诱导等共同作用的结果，受各种因素影响而动态变化。2.2.2 时间相似性分析在交通流量的研究中发现，人们出行的规律性显示了城市道路交通需求的规律性，因而相同路段的交通流量波动曲线呈周期性显现。若以年、季度、月和周为周期单位，交通流量数据则体现出不同程度的时间相似性。研究表明其中以周为周期的交通流量曲线，相似程度最高，规律性最强。我们称这种相隔1周的交通流量数据在变动趋势上十分接近的性质为交通流量的周相似性11。本文在分析交通流量在时间上的变化特性时，提取了杭州市环城北路803路段断面线圈2008年1月1日至1月30日近一个月的交通流量数据，数据采集的时间间隔为15分钟。经过统计分析线圈采集的交通流量数据，绘制了2008年1月7日至1月13日共一周的流量数据图，具体见图2.1-2.7。图2.1 2008年1月7日(周一)交通流量图图2.2 2008年1月8日(周二)交通流量图图2.3 2008年1月9日(周三)交通流量图图2.4 2008年1月10日(周四)交通流量图图2.5 2008年1月11日(周五)交通流量图图2.6 2008年1月12日(周六)交通流量图图2.7 2008年1月13日(周日)交通流量图从图2-12-7中可以看出，交通流量在时间上具有明显的相似性。白天交通流量比较稠密，晚上较为稀少。在白天上下班高峰期交通流量较大，容易出现交通拥塞现象，而晚上交通一般都很顺畅，不会出现交通拥塞的现象。经过大量的统计分析发现，周二、周三、周四三天的交通流量大小和变化规律比较相近，具有一定的工作日交通流量数据的代表性。而周一、周五、周六、周日的高峰时段、数据波动幅度与这三天不同；其中，周一和周五较为相近，而周六和周日波动幅度随机性较大。2.2.3 空间相关性分析城市道路交通是一个复杂的系统，受众多因素的影响表现出非线性、不确定性等特性。由于道路之间相互连通，上游道路的交通状态会直接影响到下游道路的运行状态。下游道路交通阻塞等情况也会影响上游道路车辆的路径选择，从而影响到整个路网的运行状况。因此，城市道路间的相关性决定了交通流量具有空间相关性。解析目标路段与其相关联的其它路段间的关系，对于路段流量预测准确性和可靠性的提高均具有极大的意义。目前，国内对结合相邻路段流量进行交通流量预测的研究已经展开。多数仍是进行简单的回归和加权，没有充分、深入地进行研究。不同时段内路段间的相关性不同，不同日期的相同时段内也会发生变化。因此，如何通过现有的路段检测器采集的流量数据挖掘这种相关关系的研究，对交通流量短时预测精度的提高很有必要12。2.3 交通流量数据预处理方法从实际道路交通系统中采集到的动态数据由于交通传感器硬件故障、噪声干扰和通讯故障往往引发异常数据或导致数据丢失。然而，路段线圈检测器采集到的交通流量数据的质量是城市道路交通流量短时预测的基础，对实时交通诱导起着关键作用。为了更有效的分析交通数据的规律、建立更为精确的模型，针对交通流检测设备所采集数据可能出现的问题，有必要对数据进行预处理，对交通数据故障进行过滤。交通流量数据的过滤分为错误数据剔除和丢失数据的补偿两部分，交通流量的过滤分为实时交通流量过滤和非实时交通流量过滤，实时交通流量过滤用于实时的交通流量预测、控制、事件检测等算法，必须满足高效的实时性，一般采用简单的阈值法，但不可避免的是有一些隐含错误数据不能被去除：非实时交通流过滤用于历史数据库中的交通流量过滤，为交通流量预测或历史数据分析清洗数据，实时性可以差一些。2.3.1 故障数据的识别通过对动态交通数据的采集和传输过程进行分析可知，交通数据故障多数是由交通检测器失灵或传输线路出现故障而引起的，因而故障数据主要分为丢失数据和错误数据两类13。l丢失数据的识别。无论是固定检测器，还是移动检测器都是按照一定的时间间隔来采集数据。但是实际情况中，检测器扫描频率不固定，传输线路出现故障，车辆过度密集造成检测器无法检测车辆等多种原因都会使采集到的交通数据无法严格按照一定的时间间隔上传。甚至会有部分数据丢失，给以后的数据处理和交通预测工作带来不利影响。为了实现对丢失数据的识别，通常把在一定时间段内得到的数据定义成某一时段的数据。比如采集数据的时间间隔为5分钟，则在8:00到8:05之间得到的数据视为8:00这一时刻的数据，然后对数据的采集时刻进行扫描和判断。如果在某一时刻没有数据，或者一个时刻有多于一组的数据，则认为该时刻的数据存在问题，需要进行补充或者修复处理。2错误数据的识别。当交通检测器或传输线路出现故障时，采集到的数据通常都是错误的，不能反应真实的交通状况。在处理错误数据时通常采用阈值法、交通流机理法或两者相结合。阈值法是对检测器所采集的流量或占有率按照统计数据与其上下阈值比较。如果流量或占有率不在上下阈值所规定的区间内，则认为是错误数据14。2.3.2 故障数据的修复分析动态交通数据的具体情况和常规交通模型的需求，可以采用以下几种方法对故障数据进行修复：1 采用前一天的历史趋势数据y(k-1)(t)进行修复。这种方法适用于数据的离线或者在线处理。当前几组数据中有故障出现时，可采用该方法进行处理。2 采用历史趋势数据与实测数据的加权估计值进行修复，计算公式：其中加权系数体现了t-1时段实测数据和历史趋势数据在数据修复中起的作用，越大则实测数据对修复后的数据影响越大，反之亦然。这种方法采用实测数据和历史趋势数据的加权结果，既考虑到了实际情况中前一时段交通状态对后一时段状态的影响，同时，历史趋势数据的使用又能够减小实际道路交通中随机波动的影响，修复处理的效果既稳定又可靠。3 采用相邻时段数据的平均值进行修复。计算公式为：其中，n为计算平均值所取的数据个数。采用t-1时段和t+1时段的数据对数据进行修复，如果在线处理的时候无法得到t+1时段的数据，该方法只适用于离线方法。后者既可以用于离线处理，也可以用于在线处理，不需要从历史数据中提取前一天的历史趋势数据，所以计算快速简便，修复处理结果比较令人满意。总之，交通流量预测的模型方法均可以根据实际情况和数据故障类别，应用到数据修复中。2.4 小结 本章首先介绍了交通流量的采集技术，然后结合对杭州市市府口断面线圈交通流量数据，分析了交通流量的动态性、时间相似性和空间相关性等特点。最后介绍了交通流量数据的预处理方法，保证了用于城市道路短时交通流量预测的数据精度。交通流量短时预测方法概述交通流量短时预测是动态交通控制和诱导的前提，要在控制决策的时刻对下一时刻乃至以后若干时刻的交通流量做出实时短时预测，预测方法的优劣和准确度的高低直接关系到控制与诱导的实际效果。因此，交通流量短时预测在交通事故检测、交通状态识别和交通流诱导方面发挥着越来越重要的作用，实时、准确的交通流量预测是这些系统实现的前提和关键。目前，国内外关于交通流动态预测理论的研究还处于发展阶段，并没有形成很成熟的理论体系。在以往的研究中，交通流量的中长期预测已取得了一定的研究结果，但是关于短时交通流量预测的研究还未能取得很令人满意的成果。这主要是因为短时交通流量预测的影响因素很多规律性不明显。在过去的几十年里，交通工程领域的研究者对交通流量的短时预测做了大量的研究工作，但研究得到的各种预测方法均有自身的适用范围和条件。因此，一些学者采用数据融合的技术将不同预测方法相结合得到相应的组合预测方法，这些组合预测方法融合了多种方法的优点，但计算过程可以过于复杂，适用于理论研究而不适用于实际应用。下文将对国内外常用的几种交通流量短时预测方法进行简单介绍。3.1 历史平均预测方法Stephanedes于1981年将历史平均预测方法用于城市交通控制系统中，该方法主要利用历史数据结合当前交通流量的实测数据建立预测模型15。历史平均法是处理变量与变量之间相互关系的一种数理统计方法，其实质就是利用历史的数据作简单的平均，用来预测未来的交通流量，该方法主要是利用交通流本身的周期变化特征。该方法的计算公式如下：Q(t+1) = a*Q(t) + (1-a)*Q(t-1) (3-1) 其中Q(t+1)代表某路段下一时刻的交通流量；Q(t)代表该路段当前时刻的交通流量；Q(t-1)代表该路段前一时刻的交通流量；a代表预测平滑系数。该方法计算简单，预测平滑系数的确定可用最小二乘法在线估计，可以在一定程度上解决不同时间段的交通流量预测问题。但这种方法没有考虑预测当天数据的随机特点，当预测日的数据与历史数据偏差较大时，预测精度明显下降。数据提供的信息利用不够充分，不能充分及时地反映交通流量的实时特点，虽然在九十年代的欧洲该方法被广泛应用到各种出行者信息系统和动态路径诱导系统中，但它未能反映动态交通流的不确定性和非线性特性，无法克服随机干扰素（如交通事故等）的影响。3.2 自回归滑动平均预测方法该方法假定交通流量数据是平稳随机序列，即交通流量均值和方差是常数，且交通流量的自协方差函数只与时间间隔有关，与间隔端点的位置无关。方法计算过程如下16-17：1. 时间序列的自回归模型数学表达式为： (3-2)其中，；P是自回归模型的阶数；是零均值白噪声；B代表后移算子，它满足表达式：则公式(3-2)可改写成如下表达式： (3-3) 2. 时间序列的滑动平均模型数学表达式为： (3-4)其中，；q是滑动平均模型的阶数；是零均值白噪声；B代表后移算子，它满足表达式：则公式(3-4)可改写成如下表达式： (3-5) 3. 时间序列的自回归滑动平均模型数学表达式为： (3-6)其中， ；则公式(3-6)可改写成如下表达式：以上三步即为自回归滑动模型预测的基本流程，1993年Kim和Hobeika应用该模型进行了到高速公路道路交通流量预测18。在大量不间断观测数据的基础上，得出该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。在实际应用中经常由于各种各样的原因造成数据缺失，从而导致模型预测精度的降低；而且依赖大量的历史数据使得预测成本很高。此外，该模型特别适用于稳定的交通流，当交通状况急剧变化时，由于计算量过大，模型在预测延迟方面表现出明显的不足。同时，该模型基本上是从纯粹时间序列分析的角度进行预测，并没有考虑上下游相关路段之间流量影响。3.3 卡尔曼滤波预测方法卡尔曼滤波（Kalman Fliting）是一种基于线性回归的预测方法，采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器，并利用状态方程的递推性，按线性无偏最小均方误差估计准则，采用一套递推算法对滤波器的状态变量作最佳估计，从而求得滤掉噪声的有用信号的最佳估计。卡尔曼滤波线性预测模型如下：其中的参数向量采用线性迭代的方式进行估计。在每次迭代中，用上一次迭代的误差信息对预测因子向量和系统本身的状态向量不断进行修正，从而在噪声项干扰情况下，使估计参数向量趋于最优，以得到准确的预测。卡尔曼滤波预测方法具有预测因子选择灵活、精度较高的优点，同时具有广泛的适用性，模型的预侧精度随预测时间间隔的变化不大，具有较好的鲁棒性。由于卡尔曼滤波采用较灵活的递推状态空间模型，既能处理平稳数据，也能处理非平稳数据；只要对状态变量作不同的假设，就可使其处理不同类型的问题；模型具有线性、无偏、最小均方差性，便于在计算机上实现，且大大减少了计算机的存储量和计算时间，适于在线分析；预测精度较高。卡尔曼滤波方法发展至今，已有线性滤波、非线性滤波、自适应滤波等多种滤波方法。Vythotkaspc提出了基于卡尔曼滤波理论的交通流量预测模型，计算结果也较为令人满意19。聂佩林等为了克服单一的交通流预测模型性能不稳定的问题，提出了基于约束卡尔曼滤波的短时交通流量组合预测模型20。约束卡尔曼滤波组合预测模型以各单一预测模型的权重为状态变量、交通流量为观测变量，预测结果是单一预测模型的加权和，加权系数由约束卡尔曼滤波方程递推动态确定，最后通过广深高速公路上采集的交通流量数据对算法进行了验证。结果表明，在不同预测步长情况下，约束卡尔曼滤波组合预测模型要优于最佳的单一预测模型或与其持平，并且不受某一较差的预测模型影响，具有较高的鲁棒性。但是，由于卡尔曼滤波模型的基础是线性估计模型，所以当预测间隔小于5min时，交通流量变化的随机性和非线性再强一些时，模型的性能是否会变差，还值得进一步研究。3.4 非参数回归预测方法非参数回归是一种适合不确定的、非线性动态系统的非参数建模方法。它不需要先验知识，只需要足够的历史数据，寻找历史数据中与当前点相似的“近邻点”，并用那些“近邻点”预测下一时刻的值。非参数回归的回归函数的估计表述如下21： (3-6)其中，Q是一维观测随机向量；X是m维随机自变量；是第i次观测值；是权函数。非参数回归就是对的形状不加任何限制，即对一无所知，要利用观测值，对指定的X值，去估计Q值。非参数回归主要是涉及如何选取权函数，常用的权函数是核函数法和最近邻函数法。1995年Smith将非参数回归方法用于单点短时交通流预测22，但是因为其搜索“近邻点”的速度太慢和试凑的参数调整方法而没有得到真正实用。2003年宫晓燕等做了两方面改进，即基于密集度的变 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，使得基于非参数回归的预测算法成为一种可移植的实时算法并能用于短时交通流预测中23。2006年周小鹏等针对交通流量变化存在周期性和随机性的特点提出一种基于最近邻法的预测方法，将近邻的个数不设为常量而取决于所能搜索到的记录数并采用等权重法24，其状态向量只考虑了交通流量一个交通参数，这对于其它交通状况下的预测不一定合适。2007年翁剑成等基于北京市快速路上的检测器所采集的历史数据，经过数据筛选和聚类分析等过程建立了交通状态演变系列的历史样本数据库，构建了一种基于K近邻的非参数回归短时交通预测模型，实现了对路段行程速度的短时预测并利用随机选取的历史数据系列对预测模型的精度进行了检验，结果表明预测算法的精度可以达到 90%以上25。张晓利等提出一种基于非参数回归的组合方法PCA-FC-NPR，即在对原始数据进行主成分分析和模糊聚类的基础上，采用以数据驱动的K近邻非参数回归方法加以解决考虑交通吸纳点的交通流预测问题26。非参数回归主要优点是需要调整的参数很少，算法简单。由于它以数据驱动，只要数据量足够大就能够用它进行较为准确的预测。目前，应用非参数回归进行短时交通流预测取得了一定的成果，但在实际预测中由于交通数据量非常大还存在历史数据庞大而数据结构和组织方式不当给搜索带来一定的瓶颈而影响实时性的问题 27。3.5 灰色理论预测方法灰色理论是是一种研究少数据、贫信息、不确定性问题的新方法。以“部分信息已知，部分信息未知”的小样本、贫信息、不确定性系统为研究对象，主要通过对“部分”已知信息的生成、开发，提取有价值的信息28。灰色理论预测建模的原理是通过离散的时间序列数据建立近似连续的微分方程，采用的方法是通过序列生成算子生成一系列函数。其中，函数是建模和预测的基础；而算子的作用主要是强化离散过程的确定性，弱化其不确定性。GM(1,1)模型是灰色理论中最典型的模型。GM模型的优点是算法简单，运算速度快。对于短时预测能给出很好的预测效果，但是对于具有波动性的系统预测的效果不是很理想，交通流量本身具有很多不确定性的因素，受环境因素、突发事件的影响比较大，具有很强的波动性。因此在短时交通流量预测中预测的精度往往不高。2002年孙燕等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29。针对全数据灰色模型对系统的刻化会随着时间的外推而逐渐失真的情况，采用了自适应灰色预测的方法。首先使用已知数列建立的GM(1,1)模型预测一个值，然后补充一个新信息数据到已知数列中，同时去掉一个原有的数据使序列等维，接着再建立GM(1,1)模型，这样逐个滚动预测直到完成预测为止。2004年陈淑燕等结合遗传算法和最小二乘法提出了一种改进的灰色模型30。将灰色模型归结为某类含若干待定参数的微分方程，离散化该微分方程，使用最小二乘法确定其中的参数。将自适应与等维递推的思想引入改进的GM(1,1)模型，预测效果得到显著的提高。但改进的灰色预测模型计算过程过于复杂，能否应用于实际交通流量的短时预测当中还有待进一步研究。3.7 多模型融合预测方法多模型融合预测方法是一种对多种单一预测模型进行加权求和预测的方法。就一种预测方法而言，在不同的道路条件下、不同时段内的预测精度高低不一。对多种预测方法来讲，在相同的道路条件和建模时段内，各模型的预测结果有很大差异。在特定时段的预测中，对于前若干个时段预测精度较高的方法相对预测精度较低的预测方法起较强的作用。综合考虑各种预测方法在前若干个时段内预测结果的精度，并将这些信息融合在一起，既可以提高交通参数预测结果的精度，又可以保证预测误差的稳定性。所以，多模型融合预测方法在未来交通流量短时预测方法中将发挥越来越重要的作用，必将有着广泛的应用前景。3.8 小结本章对目前几种常用的交通流量短时预测方法进行了介绍，主要包括历史平均预测方法、自回归滑动平均预测方法、卡尔曼滤波预测方法、非参数回归预测方法、灰色理论预测方法及多模型融合预测方法。重点介绍了它们的原理、计算方法和实际可用性。第三章 人工神经网络理论简介人工神经网络是基于模仿生物大脑结构和功能而构成的一种信息处理系统。由于人工神经网络具有复杂的动力学特性、并行处理机制、学习、联想和记忆等功能，以及它的高度自组织、自适应能力和灵活活性而受到自然科学领域学者和各行业应用专家的广泛重视31。4.1 神经网络的特点 神经网络实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。神经网络吸取了生物神经网络的许多优点，因而有其固有的特点32：1、分布式存储信息。其信息的存储分布在不同的位置，神经网络是用大量神经元的连接及对各连接权值的分布来表示特定的信息，从而使网络在局部网络受损或输入信号因各种原因发生部分畸变时，仍然能够保证网络的正确输出，提高网络的容错性和鲁棒性。2、并行协同处理信息。神经网络中的每个神经元都可根据接收到的信息进行独立的运算和处理，并输出结果，同一层中的各个神经元的输出结果可被同时计算出来，然后传输给下一层做进一步处理，这体现了神经网络并行运算的特点，这个特点使网络具有非常强的实时性。虽然单个神经元的结构及其简单，功能有限，但大量神经元构成的网络系统所能实现的行为是极其丰富多彩的。3、良好的容错性与联想记忆功能。神经网络通过自身的网络结构能够实现对信息的记忆。而所记忆的信息是存储在神经元之间的权值中。从单个权值中看不出所存储的信息内容，因而是分布式的存储方式。这使得网络具有良好的容错性，并能进行聚类分析、特征提取、缺损模式复原等模式信息处理工作；又宜于做模式分类、模式联想等模式识别工作。4、对信息的处理具有自组织、自学习的特点，便于联想、综合和推广。神经网络的神经元之间的连接强度用权值大小表示，这种权值可以通过对训练样本的学习不断变化，而且随着训练样本量的增加和反复学习，这些神经元之间的连接强度会不断增加，从而提高神经元对这些样本特征的反应灵敏度。4.2 神经网络的结构与泛化能力4.2.1 神经元模型神经元是人工神经网络的基本处理单元，它一般是一个多输入单输出的非线性元件。一个神经网络的神经元模型描述了一个网络如何将它的输入向量转化为输出向量的过程，实质上体现了网络输入和其输出之间的一种函数关系。通过选取不同的模型结构与激活函数，可以形成各个不同的神经网络，得到不同的输入输出关系式，并达到不同的设计目的，完成不同的任务。所以在利用神经网络解决实际应用问题之前，必须首先掌握神经网络的模型结构及其特性以及对其输出向量的计算。 神经元输出除受输入信号的影响外，同时也受到神经元内部其他因素的影响，所以在人工神经元的建模中，常常还加入一个额外输入信号，称为阈值（或门限值）。如图4-1所示为一个具有R个输入的神经元：图4-1神经元模型示意图神经元的输出表示为：其中，定义表示神经元的输入向量；表示神经元的权值向量；为神经元的阈值；表示神经元的传递函数；为神经元的输出。 4.2.2 神经网络的激活函数激活函数（Activation transfer function）是一个神经元及整个神经网络的核心。网络解决问题的能力与功效除了与网络结构有关，在很大程度上取决于网络所采用的激活函数。激活函数能够控制输入对输出的激活作用；能够对输入、输出进行函数转换；还能将可能无限阈值的输入变换成指定的有限范围内的输出。激活函数通常是有界的、分段可微的函数33，目前最常用的是S型(Sigmoid)函数和双极性函数。S型激活函数具有非线性放大增益，对任意输入的增益等于在输入输出曲线中该输入点处的曲线斜率值。当输入由-增大到零时，其增益由0增至最大；然后当输入由0增加至+时，其增益又由最大逐渐降低至0，并总为正值。利用该函数可以使同一神经网络既能处理小信号，也能处理大信号。因为该函数的中间高增益区解决了小信号的问题，而在伸向两边的低增益区正好适用于处理大信号的输入。一般而言，一个神经网络是线性或者非线性是由网络神经元中所具有的激活函数的线性或非线性来决定的。4.2.3 神经网络的结构只有上亿个生物神经元连接成生物神经网络，才能完成对外部感知信息进行的处理、记忆、学习等。同样，单个人工神经元往往不能完成对输入信号的处理，它要按一定的规则连接成网络，并让网络中每个神经元的权值和阈值按一定的规则变化，才能实现所设计神经网络的功能要求。人工神经网络的连接形式和其拓扑结构多种多样，但总的来说有两种形式，即前馈型神经网络和反馈型神经网络，下面分别介绍两种网络的连接结构和用途34。1 前馈型神经网络一般前馈网络都具有多层结构，至少为三层。第一层为输入层，第二层为隐含层，第三层为输出层。各层的每一个单元的输出都直接与紧接的下一层的各单元的输入端相连，由于层与层之间没有反馈存在，所以按照这种连接方式组成的网络称为前馈网络。一个三层结构的神经网络如图4-2所示。图4-2 三层前馈神经网络示意图输入层的单元作用只是将输入信号送到隐含层各单元的各个输入端，所以它只起到信号输出的作用而不作任何计算。因此如果系统具有R个输入变量，则输入层就应当有R个输入单元，隐含层和输出层单元具有运算功能。输入层单元个数等于输入变量的个数，输出层单元个数等于输出变量个数。但是隐含层单元个数究竟多少最合适，目前理论上而还不能给出准确的回答。但从理论上可以证明：对于一个三层前馈网络，只要选择足够多的隐节点，总可以任意逼近一个光滑的非线性函数。所以隐含节点的节点数的选择可遵照这个原则，逐步由少增多隐含节点，通过仿真实验，直到逼近的非线性函数达到要求的精度为止。从控制的观点看，前馈网络的主要用途在于它的非线性的映射关系能被用来实现非线性系统的建模、辨别和控制。2 反馈型神经网络在反馈网络中所有节点都是一样的，它们之间都可以相互连接（一个节点既接收其它节点来的输入，同时也输出给其它节点），但其结构比前馈神经网络要复杂得多，即从输出到输入具有反馈连接。典型的反馈网络是Hopfield神经网络和Elman神经网络。Hopfield网络又称为联想记忆网络，它常常存储一个或多个稳定的目标向量，当网络输入端输入相似的向量时，这些稳定的目标向量将“唤醒”网络记忆的模式，并通过输出呈现出来。Elman网络是两层反向传播网络，隐含层和输入向量连接的神经元，其输出不仅作为输出层的输入，而且还连接隐含层内的另外一些神经元，反馈至隐含层的输入。由于其输入表示了信号的空域信息，而反馈支路是一个延迟单元，反映了信号的时域信息，所以Elman网络可以在时域和空域进行模式识别。4.2.4 神经网络的泛化能力神经网络的泛化能力用来评价神经网络的有效性。一个神经网络通过学习算法，对已知的样本数据进行学习，学习的目的不是仅仅记住样本数据，而是当新的数据即测试数据出现时，神经网络也能产生准确的输出，其准确度越高，就说明神经网络的泛化能力越强。有关神经网络泛化能力的研究得到了研究人员的高度重视，但至今还未能研究出一套完整的理论来保证神经网络泛化能力。一般来说，影响神经网络泛化能力的因素很多，如网络选取、学习算法、初值的选择等，但以下因素对神经网络的泛化能力是决定性的：逼近对象(系统)的复杂程度。足够的训练数据及训练数据的代表性。神经网络的复杂程度。即网络结构的大小。事实上，这些因素是相互关联的，逼近系统越复杂，就需要越多的学习样本，网络结构也就越复杂。但问题是，神经网络是通用逼近器，而逼近对象的复杂程度是无法预知的，只有后两个问题是神经网络泛化能力研究中应考虑的。因此，这方面的研究包括：定好神经网络结构后，确定训练样本数，以使神经网络的泛化能力最大。已知训练样本数后