基于浮動車數(shù)據(jù)的道路運行車速動態(tài)預測研究.pdf

1、道路運行車速預測是實現(xiàn)交通控制與管理的基礎，是實現(xiàn)智能交通系統(tǒng)的關鍵技術之一。道路運行車速是交通狀態(tài)的重要參數(shù)，準確、可靠、動態(tài)實時的道路運行車速預測對旅行時間的估計、交通擁堵狀態(tài)識別、路段交通指數(shù)估計有直接影響。傳統(tǒng)道路運行車速預測研究以靜態(tài)預測為主，時效性較差;傳統(tǒng)研究車型以小客車為主，忽略了城市道路行駛車型復雜，不同車型運行特征不同這一客觀事實;傳統(tǒng)車速研究算法包括線性回歸、灰色預測模型、神經網絡等，多數(shù)未考慮浮動車數(shù)據(jù)收集中的噪

2、聲問題，導致其預測精度不理想，直接影響路段交通狀態(tài)識別、路網運行評估、交通決策。因此，對路段車速研究不因僅僅局限于小客車本身，應從路段各車型整體出發(fā)，對路段全車型進行研究分析，建立動態(tài)、實時的道路運行車速預測模型，為城市智能交通系統(tǒng)建設提供依據(jù)。
　　交通大數(shù)據(jù)分析與應用必須依托先進的交通參數(shù)采集設備。本文利用浮動車數(shù)據(jù)覆蓋范圍廣、數(shù)據(jù)精度高、樣本容量大特性，對路段交通參數(shù)數(shù)據(jù)進行收集處理。同時，重點分析了浮動車比率、采集時間間隔

3、的設置原則，針對在實際收集過程中易受環(huán)境干擾而導致原始數(shù)據(jù)存在的數(shù)據(jù)缺失、失真、錯誤等問題，確定數(shù)據(jù)篩選方法和數(shù)據(jù)缺失填補的PMM法。
　　本文以浮動車數(shù)據(jù)為基礎，建立了道路運行車速動態(tài)預測模型，主要包括:針對浮動車數(shù)據(jù)采集過程中易受到環(huán)境干擾而產生噪聲等缺陷，通過小波變換對原始數(shù)據(jù)進行去噪，建立小波-ARIMA浮動車車速預測模型，與未經消噪處理的ARIMA模型相比，本算法平均相對誤差下降了18.17％，平均絕對誤差下降了33.8

4、2％。將路段行駛車型分為小客車、出租車、公交車、大型客貨車四類，本文利用神經網絡較強的非線性逼近能力，建立FCM-RBF神經網絡模型，以公交車車速和飽和度為輸入參數(shù)，以小客車、出租車、大型客貨車車速為輸出參數(shù)進行神經網絡建模，模型小客車預測平均絕對誤差為3.95，平均相對誤差為9.21％;出租車平均絕對誤差為4.35，平均相對誤差為10.83％;大型客貨車平均絕對誤差為2.65，平均相對誤差為12.78％，模型預測精度達到了實際應用要求