高速公路交通流預(yù)測(cè)方法研究.pdf

1、高速公路擁擠的減輕，事故率的降低，管理水平的提高有賴于對(duì)交通流進(jìn)行合理的控制和誘導(dǎo)，而實(shí)現(xiàn)交通流控制和誘導(dǎo)的關(guān)鍵問(wèn)題是準(zhǔn)確的交通流預(yù)測(cè)。交通流預(yù)測(cè)信息可以作為先進(jìn)的交通管理系統(tǒng)(AdvancedTrafficManagementSystem，ATMS)的輸入，制定前攝式的交通控制策略，還可以作為先進(jìn)的路徑誘導(dǎo)系統(tǒng)(AdvancedTravelerInformationSystem，ATIS)的輸入，制定合理的路徑誘導(dǎo)信息，幫助出行者更好

2、地進(jìn)行路徑選擇。有研究證明，與基于當(dāng)前信息的交通控制和路徑誘導(dǎo)相比，基于預(yù)測(cè)信息可以取得系統(tǒng)更優(yōu)的結(jié)果。 交通流預(yù)測(cè)按照范圍分可以分成：點(diǎn)(路段截面)、線(路段)交通流預(yù)測(cè)和路網(wǎng)交通流預(yù)測(cè)。目前點(diǎn)、線交通流預(yù)測(cè)主要采用以隨機(jī)過(guò)程、數(shù)理統(tǒng)計(jì)和最優(yōu)化等理論為數(shù)學(xué)基礎(chǔ)的預(yù)測(cè)方法，這些方法一般要使用大量的檢測(cè)數(shù)據(jù)進(jìn)行參數(shù)估計(jì)或訓(xùn)練，具有較高的預(yù)測(cè)精度，因此也常被稱作“數(shù)據(jù)驅(qū)動(dòng)”方法。但是這些方法缺點(diǎn)是預(yù)測(cè)性能隨不同的時(shí)間和道路環(huán)境變化，

3、沒(méi)有一種能夠在所有情況下占有絕對(duì)優(yōu)勢(shì)。在路網(wǎng)交通流預(yù)測(cè)方面，中觀仿真是目前取得效果最好的方法之一，但是由于中觀仿真模型參數(shù)較多，對(duì)參數(shù)變化比較敏感，在路網(wǎng)局部點(diǎn)、線上的預(yù)測(cè)效果不如前者好。 針對(duì)這兩個(gè)問(wèn)題，本文根據(jù)從點(diǎn)到線、線到面，簡(jiǎn)單到復(fù)雜思路出發(fā)，先從高速公路路段截面的交通流量預(yù)測(cè)著手，提出了兩種交通流量的組合預(yù)測(cè)方法，然后將點(diǎn)、線預(yù)測(cè)與中觀仿真結(jié)合，提出了兩者的結(jié)合框架。具體的完成內(nèi)容包括： (1)提出了高速公路交

4、通流量的約束卡爾曼濾波組合預(yù)測(cè)方法。該方法是若干單一預(yù)測(cè)方法的動(dòng)態(tài)加權(quán)組合，滿足線性組合預(yù)測(cè)原理，其動(dòng)態(tài)組合權(quán)值由約束卡爾曼濾波遞推方程確定。利用高速公路采集的交通流量數(shù)據(jù)，通過(guò)組合單一的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法和單一的時(shí)間序列預(yù)測(cè)方法，分無(wú)干擾預(yù)測(cè)模型和有干擾預(yù)測(cè)模型情況對(duì)提出的方法進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明：?jiǎn)我坏纳窠?jīng)網(wǎng)絡(luò)預(yù)測(cè)方法或單一的時(shí)間序列預(yù)測(cè)方法預(yù)測(cè)性能隨不同時(shí)間、不同預(yù)測(cè)步長(zhǎng)起伏變化，而約束卡爾曼濾波組合預(yù)測(cè)方法始終優(yōu)于其中最佳的單

5、一預(yù)測(cè)方法或與之持平。 (2)提出了高速公路交通流量的神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)方法。該方法是若干單一預(yù)測(cè)方法的非線性組合，通過(guò)使用神經(jīng)網(wǎng)絡(luò)逼近非線性組合映射，實(shí)現(xiàn)了組合權(quán)值的動(dòng)態(tài)計(jì)算。采用高速公路采集的交通流量數(shù)據(jù)，通過(guò)組合單一的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法和單一的時(shí)間序列預(yù)測(cè)方法，分無(wú)干擾預(yù)測(cè)模型和有干擾預(yù)測(cè)模型情況對(duì)提出的方法進(jìn)行了測(cè)試，并和基于線性組合原理的約束卡爾曼濾波組合預(yù)測(cè)方法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明：在不同時(shí)段、不同預(yù)測(cè)步長(zhǎng)下，神經(jīng)網(wǎng)

6、絡(luò)組合預(yù)測(cè)方法優(yōu)于單一的預(yù)測(cè)方法；在整體預(yù)測(cè)效果上與約束卡爾曼濾波組合預(yù)測(cè)方法持平。 (3)提出了點(diǎn)、線預(yù)測(cè)與中觀仿真結(jié)合的交通流預(yù)測(cè)框架。該框架將數(shù)據(jù)驅(qū)動(dòng)方法在路網(wǎng)局部點(diǎn)、線的高精度預(yù)測(cè)能力與中觀仿真的路網(wǎng)范圍預(yù)測(cè)能力結(jié)合起來(lái)，通過(guò)可信度高的路網(wǎng)局部的點(diǎn)、線預(yù)測(cè)值，在線修正中觀仿真模型的參數(shù)，使得中觀仿真模型能夠逼近、反映交通流運(yùn)動(dòng)趨勢(shì)，提高路網(wǎng)范圍交通狀態(tài)預(yù)測(cè)精度。通過(guò)結(jié)合路段旅行時(shí)間預(yù)測(cè)與中觀仿真的實(shí)例分析證明，點(diǎn)、線預(yù)測(cè)