【城市道路交叉口短时交通流量预测和单交叉口信号自适应控制研究的国内外文献综述4600字】

城市道路交叉口短时交通流量预测和单交叉口信号自适应控制研究的国内外文献综述交通流量预测的国内外研究现状交通流量预测可以依据当前交通流量特点和历史交通流量变化规律，较为准确的预测出未来一段时间内的交通流量大小，为城市交通信号控制和交通诱导提供数据支撑，可有效缓解交通拥堵，在智能交通系统中有重要作用。在过去几十年时间里，国内外学者对交通流量预测进行了一系列的研究并取得相当成果。研究过程中运用了各类基于不同理论的预测方法，主要可以分为以下：传统统计理论、非线性理论、机器学习和组合预测模型。一、传统统计理论基于传统统计理论的预测方法假设需要预测的时间段内的交通流量数据与历史数据有相同的规律，所以可以采用数理统计的方法和工具来预测交通流量。这类方法计算较为简单，操作容易，使用成熟，但也存在不适用于交通流非线性和不确定性特征，预测精度不高等问题。典型的模型包括卡尔曼滤波模型、历史平均模型、时间序列模型等。1979年，Ahamed等人首次应用时间序列模型中的自回归积分滑动平均模型（AutoRegressiveIntegratedMovingAverage，ARIMA）预测高速公路交通流[2]；1980年，Levin等人提出应用时间序列模型中的ARIMA(0,1,1)模型预测高速公路交通流量最为有效[3];1984年，Gary等人应用时间序列模型预测高速公路交通流变化趋势，得到较好的结果，并验证该模型有良好的鲁棒性[4]；同年，Okutani等人首次应用卡尔曼滤波模型动态预测交通流量[5]；1998年，Williams等人应用指数平滑算法优化后的历史平均模型，用于城市高速公路交通流量预测[6]；1999年，杨兆升等人基于卡尔曼滤波理论建立了路段交通流量预测的改进模型，得到较高的预测精度[7];2008年，孙湘海等人提出使用时间序列模型中的季节自回归积分滑动平均模型（SARIMA）预测短时道路交通流量，并考虑了交通流日周期性特征来提高模型的预测能力[8]。2013年，郭海峰等人通过模糊逻辑方法改进卡尔曼滤波模型，提升了短时交通流量预测的实时性和准确性[9]。2014年，Guo等人应用随机的自适应卡尔曼滤波模型预测交通流，取得较好的效果[10]。二、非线性理论非线性理论的预测方法根据交通流预测和复杂交通系统的非线性特征，利用分形概念、混沌吸引等概念和方法建模。这类方法适用于复杂交通系统下的交通流预测，但理论计算比较复杂，难以进行数学处理。典型的模型包括小波理论模型、混沌理论模型、分形理论模型等。2002年，贺国光等人运用多分辨率小波分解与重构的方法，建立交通流短时预测模型，应对交通流短时预测不确定的难题，获得了让人满意的预测效果[11]。2005年，王晓原等人应用非参数回归理论结合小波理论模型预测交通流，对交通参数做出很好的预测[12]。2014年，Xue等人应用优化后的混沌时间序列模型构建交通流预测模型[13]。同年，张洪宾等人基于混沌理论对交通流时间序列进行相空间重构，最终构建了交通流多步自适应模型[14]。2016年，董军等人应用多重分形消除趋势波动分析法（Multi-FractalDetrendedFluctuationAnalysis,MF-DFA）分析城市快速路的交通流时间序列，得到交通流的多重分形特征主要由序列的长程相关性决定[15]。同年，王俊丽等人应用MF-DFA研究高架上下匝道交通流时间序列，分析出交通流量具有长程相关性和多重分形特性[16]。三、机器学习基于机器学习的交通流预测方法是建立在非线性预测的基础之上的，主要用于对有大量数据的非线性系统进行预测。典型的模型包括人工神经网络（ArtificialNeuralNetwork,ANN）、支持向量机（SupportVectorMachine,SVM）等。1993年，Vythoulkas首先将人工神经网络应用于预测交通流[17]。1994年，Smith等人应用BP人工神经网络预测交通流量[18]。1998年，Park等人应用径向基（RadicalBasisFunction，RBF）人工神经网络预测高速公路交通流，得到比其他方法更精准的结果[19]。2004年，Vanajakshi等人应用SVM预测交通流，得到比BP人工神经网络更优的结果[20]。2005年，徐启华等人应用支持向量机预测交通流，得出在交通流数据有特定比例噪声时，有比人工神经网络更好的预测结果[21]。2009年，Castro-Neto等人应用Online-SVR模型在典型和非典型环境下预测短时交通流[22]。2013年，Jeong等人应用有监督的Online-SVR模型预测短时交通流量[23]。2015年，Ma等人应用长短时记忆人工神经网络预测交通流，得到比其他几种对比模型准确性明显提高的结果[24]。同年，李巧茹等人将SVM与时空数据融合应用于交通流预测，得到更精准的预测结果[25]。2017年，杨刚等人提出一种基于自适应惯性权重的粒子群优化的最小二乘支持向量机（LS-SVM）的短时交通流量预测方法，具有精度高、泛化能力强的特点[26]。同年，程山英运用模糊神经网络预测短时交通流量，可以较为准确预测交通运输系统的状况[27]。四、组合由于各类预测模型针对不同的应用场景都有其优缺点，单一预测模型难以达到最佳的预测结果。组合预测模型可以针对具体应用场景，选择不同模型进行组合优化，扬长避短，实现比单一模型更为精准的预测结果。但由于组合模型复杂度更高，要满足交通流预测的实时性，对计算能力提出了更高的要求。2007年，张晓利应用结合神经网络和小波分析预测短时交通流的方法，运用小波分析对多维输入进行降维，示例证明比单一神经网络预测结果更为精准[28]。2009年，谭满春等人提出基于小波分析、ARIMA和支持向量机的预测组合模型，得到比单个预测模型更高的预测精度[29]。2014年，金玉婷等人应用小波变换和BP人工神经网络相结合预测交通流量，验证在短时交通流预测方面比传统的BP神经网络有较好的有效性和优越性[30]。同年沈国江等人结合卡尔曼滤波模型和径向基人工神经网络模型预测交通流，较好地解决了人工神经网络不能反映大流量下的稳态性稳态，以及卡尔曼滤波在流量不稳定时预测准确率不高的问题[31]。2016年，江德浩提出基于小波理论和深度信念网络的交通流预测组合模型，结合了小波理论的降噪处理优势和深度信念网络较高的预测能力，提高了模型的预测精度[32]。2017年，成云等人提出了基于ARIMA和小波神经网络的交通流预测组合模型，提高了交通流的预测精度[33]。2020年，张阳等人应用改进小波包分析与长短时记忆神经网络组合和交通流预测方法，提高小样本情况下的预测精度[34]。交叉口交通信号控制国内外研究现状交通信号控制算法是交通信号控制平台的核心，决定了信号控制平台运行效果的优劣。城市交通信号控制按照控制区域大小来划分，分为点、线、面控制，分别针对单交叉口、干道多交叉口和区域多交叉口。单交叉口信号控制是城市交通信号控制的最小单元，是基本的信号控制形式，是实现干道控制和区域控制的基础，成为本文研究的对象。国内外学者已有较为深入的研究单交叉口信号控制，并取得了引人关注的研究成果。国外对单交叉口信号控制方法研究较早。1963年，MillerAJ研究交叉口两相位控制，提出以交叉口车辆延误最小为目标建立优化模型，这也是业内首次提出交叉口优化模型[35]。1977年，PappisCP应用模糊控制方法做单交叉口信号配时，通过确定模糊规则设计模糊控制器，以得到单交叉口信号配时[36]。1983年，Gartner也提出以车辆延误最小为目标的单交叉口信号配时优化模型，实现交叉口配时参数的优化[37]。2001年，Ceder和Reshetnik等人提出以车辆平均排队长度最短为目标的单交叉口信号配时优化模型，在不同交通状态下交叉口信号自组织控制方法，通过实验验证，该方法可动态调整相位绿信比，有效缩短车辆排队长度[38]。2009年，Cai,ChiK和Heydecker等人基于近似动态规划(ADP)控制算法，设计了一种自适应交通信号控制器，实现交叉口配时参数的快速自动调整，达到明显降低车辆延误时间的效果[39]。同年，Li等人提出单交叉口自适应控制策略分为基于优化模型、逻辑规则和两者混合3类，并建立适用于过饱和交通状态下，以交叉口第一辆排队车辆在红灯期间等待时间最短为目标的优化模型。2013年，Zheng和Recker等人提出以最小绿灯时间、最大绿灯时间、单位绿灯延长时间和相序为参数的实时自适应控制算法，具备较好的使用性[41]。2016年，Yu和Tian等人提出一种交叉口多目标优化模型，以通行能力、平均停车次数和车辆延误时间为优化目标并赋予不同权重系数，使用模糊规划方法求解。仿真结果表明，3个参数目标都得到了优化[42]。同年，Chen和Sun等人也提出一种改进的自适应控制方法，以车辆延误时间、车辆排队长度和通行能力为优化目标，使用动态规划方法求解。仿真结果表明，该方法优于SYNCHRO仿真软件生成的配时方案[43]。2018年，Wu和Ghosal等人借用最大网络吞吐量理论，提出了一种自适应控制算法，以车辆延误时间为优化目标，实现均衡延迟分布，并得到最大的交叉口通行能力。相比国外，国内学者对信号控制方法的研究起步较晚。1989年，全永燊简要介绍了城市交通控制的发展和现状，系统讲解了城市交通控制的方法理论、应用技术和典型实例，奠定我国信号控制方法研究的基础[45]。1997年，陈洪等人提出一种单交叉口多级模糊控制器，实现选取适当的信号配时方案，可有效降低车辆延误时间[46]。2003年，刘智勇和李水友等人应用人工神经网络做交叉口自适应控制，通过预测交叉口下一周期到达的车辆数，并用实测信息进行反馈校正，仿真实例表明该方法具有较好的控制效果[47]。2004年，李艳等人利用遗传算法改进交叉口模糊算法，取得了更好的控制效果[48]。2006年，王秋平等人提出一种以车辆平均延误时间、平均停车次数为优化目标，以周期时长、饱和度和相位有效绿灯时间为约束条件的交叉口多目标信号控制模型，利用遗传算法求解，结果表明显著降低了优化参数[49]。2009年，马莹莹和杨晓光等人建立以机动车平均延误时间、机动车平均停车次数和行人平均延误时间为目标的优化模型，算法求解结果显示模型可提供多个不同特性周期时长以满足不同交通状态的需求[50]。2010年，曹成涛和徐建闽等人建立了以车辆延误时间、停车次数和通行能力为目标的控制模型，并利用遗传算法优化模型，对交通流量变化有较好的适应性，使用效果良好[51]。2012年，首艳芳和徐建闽等人以非非饱和交叉口为研究对象，建立以车辆平均延误时间和尾气排放为优化目标的决策模型，对信号周期时长、相位绿信比、相序进行优化，利用混合遗传算法求解最优决策变量，仿真结果表明模型在优化车辆平均延误时间和尾气排放方面有更好的效果[52]。2014年，郭海锋和程君等人提出一种交叉口无模型自适应控制策略，通过使用历史交通流量界定交通状态，结合预测短时交通流量，应用无模型自适应控制策略从宏、微观层面调整交叉口配时方案[53]。2016年，罗金玲对比了自适应控制、模糊控制和传统定时控制的效果，验证了自适应控制的效果最佳[54]。Hadoop技术国内外研究现状Hadoop是一个能够对大量数据进行分布式处理的开源软件基础架构，始于ApacheSoftwareFoundation公司的Nutch项目，核心组件有HDFS、MapReduce和Hbase，是由DougCutting等人受到谷歌的技术启发而实现，其中HDFS组件是由GoogleFileSystem技术发展而来[55]，MapReduce是由GoogleMapReduce技术发展而来[56]，Hbase是由BigTable技术发展而来[57]。HDFS和Hbase是负责存储的组件，而MapReduce是负责分布式计算的组件，而脱胎于MapReduce的YARN成为Hadoop第二代通用资源管理平台。Hadoop适合大规模数据的存储和计算，可以构建在廉价机器上，存储和计算成本低，且可靠性和扩展性高，目前已经在众多企业和研究机构得到广泛应用。由于Hadoop的技术特点，众多学者利用Hadoop在智能交通领域研究海量交通数据的价值挖掘。2009年，Wegenner和Mock等人利用Hadoop平台研究并行计算相关数据挖掘算法，有效提高了海量数据的挖掘效率[58]。2013年，张丽提出基于Hadoop技术的短时交通流预测方法[59]，该方法调整和改进了BP神经网络算法和K近邻非参数回归算法，仿真实验结果表明采用HadoopMapReduce技术