《短时交通流预测研究综述》由会员分享,可在线阅读,更多相关《短时交通流预测研究综述(9页珍藏版)》请在金锄头文库上搜索。
1、短时交通流预测研究综述摘要:道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础。本文概述了道路交通流预测方法的发展历程,分析比较了各预测模型的优点、缺点及适用情况,给出了道路交通预测的一般流程。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于检测器优化选择的短时交通流预测算法的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;以预测的均方误差最小为目标函数,通过遗传算法优化选择合适的检测器,以小波神经网络作为预测算法进行短时交通流预测具有很高的精
2、度和适用性。关键词:交通工程;交通流理论;短时交通流;预测模型;神经网络算法Research on Short-Time Traffic Flow Forecasting MethodsLIU Jia-tong(1. Department of Bridge Engineering, School of Highway, Changan Unversity)Abstract: Prediction of road traffic flow is one of the key technologies of intelligent transportation system. This pape
3、r summarizes the development of road traffic flow forecasting methods, analyzes and compares the advantages, disadvantages and application of each forecasting model. The existing prediction methods are classified based on the method of statistical analysis: Based on the theory and methods of nonline
4、ar theory and traffic detector based on the optimal selection of flow prediction algorithm based on prediction method and neural network method. The prediction effect of comprehensive prediction model of artificial neural network model and other fields combined than single neural network prediction
5、model and the conventional prediction; to minimize the mean squared error as the objective function, the genetic algorithm to choose the appropriate detector with the wavelet neural network as prediction algorithm of short term traffic flow forecasting high precision and applicability. Keywords: Tra
6、nsportation Engineering; Traffic Flow Theory; Short-term Traffic Flow; Prediction Model; Neural Network Algorithm1 引言2006 年我国开始实施的“国家中长期科学与技术发展规划纲要一”中的交通科学问题研究专题中,明确提出了“发展一个系统,解决三个热点问题”的思路。其中,“一个系统”指的是综合运输系统,“三个热点”指的是交通能源和环境、交通安全和大城市交通拥堵。智能交通系统被认为是缓解道路交通拥堵、减少汽车尾气排放污染和交通事故等交通问题的有效方法之一。短时交通流预测是智能交通系统的
7、核心内容和交通信息服务、交通控制与诱导的重要基础,能够给出行者提供实时有效的信息,帮助他们更好地进行路径选择,实现路径诱导,达到节约出行者旅行时间,缓解道路拥堵,减少污染、节省能源等目的。目前,道路交通数据采集设备的性价比越来越合理,道路上交通数据的采集设备不断完善,使得短时交通流状态的分析处理和预测成为可能。现有的研究成果多以基于实时数据的道路网短时交通流预测理论与方法研究为题,在交通流数据分析的基础上 1,对道路网中多个断面交通流状态之间的相关性进行分析,从而选择预测的范围和对象,对道路网中多个断面的短时交通流预测理论和方法进行了深入探讨和研究,并且根据实际数据验证提出的预测模型。智能交通
8、系统(Intelligent Transport Systems,以下简称(ITS) 作为一种能有效解决手段成为研究的热点。交通系统是一个有人参与的、时变的、巨大而复杂的系统,时刻变化着的道路交通状态怎样能够精准的预测,这是 ITS 的核心问题之一 2。ITS 的几大子系统均是在对道路交通状态进行合理、实时、准确预测的基础上,及时调整交通管理控制方案、并为出行者发布出行信息,提供最优路径选择方案,确保交通系统高效、安全运转。短时交通预测是交通控制、车辆导航等领域需要解决的重要问题之一。交通流量是判别道路交通状态的一个关键因素。短时交通预测是微观意义上的,与中观和宏观意义上的以小时、天、月甚至是
9、年计算的基于交通规划的战略预测有本质区别 4。其主要内容为依据道路交通信息,采用适当的方法去滚动预测未来不超过 15 分钟的交通状况,为出行者提供最佳行驶路线,从而为均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据,对于缓解道路交通堵塞、避免社会资源的浪费有着重要的意义和应用价值。2 交通流预测的理论研究交通流短时预测这一领域的研究在国际上一直很活跃,在过去的几十年里,研究者们做了大量的工作,取得了显著的研究成果。早期的交通流量预测主要为交通控制系统服务。第一代城市交通控制系统(Urban Traffic Control Systems,UTCS)采用历史数据对交通流量进行离线预测
10、;第二代 UTCS 应用实测数据对历史平均数据进行修正 ,进而对交通流量进行预测; 第三代 UTCS 只利用实测数据预测交通流量。第二代和第三代 UTCS 预测算法都存在时滞问题 5。与此同时,不少研究者也在积极地探讨着交通流量预测的其他方法。Nicholson Swann (1974) 利用谱分析法预测交通流量,取得了令人比较满意的结果 ,但这种方法无法预测突发交通事件对交通流状态产生的影响。Ahmaed S.A.和 Cook A.R.(1979)利用 Box-Jerkins 技术对高速公路的交通流量进行预测,结果表明这种方法的精度有限。Nancy L.Nihan 和 Kje 110.Hol
11、mesland (1980) 应用 Box-Jerkins 技术和一路段 4 年的交通流量数据对该路段的交通流量进行预测,精度较高,但这种方法要求的历史数据较多,对建模者的知识水平和建模技巧要求较高。Iwao Okutani (1984) 利用卡尔曼滤波理论建立了交通流量预测模型,预测的精度优于第二代 UTCS 预测方法。Gary A.Davis 和 Nancy L.Nihan(1991)应用非参数回归模型预测交通流量,此模型在某些情况下比时间序列预测模型的预测精度要高。P.C. Vythotkas (1993) 提出了基于卡尔曼滤波理论的交通流量预测模型, 计算结果比较令人满意。Brian
12、L.Smith 和 Michael J.Demetsky(1993)利用神经网络方法预测交通流量, 预测结果具有较高 的精度,并且没有时滞现象。Maschavander Voort (1996)将神经网络与 ARIMA 时间序列模型相结合预测交通流量,使 ARIMA 模型具有更广泛的适应性和可移植性。Corinne Ledoux (1997) 建立了基于神经网络的交通流量预测模型,首先利用神经网络建立每个路段的交通流量预测模型,再建立整个路网的交通流量预测模型,并应用模拟的数据对模型进行了验证 6。对于交通流短时预测研究,国内的研究者们一直在追踪国外的先进思想和方法,并在一定程度上对其进行了改
13、进。3 现有交通流理论研究交通流理论是交通工程领域中的基本理论,主要采用数学和物理定理来描述交通流特性,其中有概率统计模型、排队论、车流波理论、跟驰理论等。车辆的到达在某种程度上具有随机性,描述这种随机性分布规律的方法有两种一种是以概率论中描述可数事件统计特性的离散分布为工具,考察在一段固定长度的时间或距离内到达某场所的交通数量的波动性另一种是以连续型分布为工具,研究车辆间隔时间、车速、可穿越空档等交通流参数的统计分布特性。离散型分布模型常用的有三种。泊松分布,适用于车流密度不大,车辆间相互影响微弱二项分布,适用于比较拥挤的车流负二项分布,适用波动性较大的车流。连续型分布模型常用的有四种。负指
14、数分布,车辆到达符合泊松分布,则车头时距就是负指数分布移位负指数分布,该模型适用于不能超单车的单列车流的车头时距分布和车流量低的车流的车头时距分布韦布尔分布,韦布尔分布适用范围较广,交通流中的车头时距分布、速度分布等一般都可用韦布尔分布来描述爱尔朗分布,该模型亦是较为通用的车头时距、速度等交通特征的分布模型。排队论也称为随机服务系统理论,是研究“服务”系统因“需求”拥挤而产生等待排队的现象以及合理协调“需求”与“服务”关系的一种数学理论。它也是以概率论为基础的。跟驰理论是运用动力学方法,研究在无法超车的单一车道上车辆列队行驶时,后车跟随前车的行驶状态的一种理论。它用数学模式表达跟驰过程中发生的
15、各种状态。跟驰理论主要研究非自由运行状态的交通流,这种状态下的交通流的主要特点是,交通流密度很大,车辆间距较小,车队中任一辆车的车速都受前车速度的制约,驾驶员只能按前车提供的信息采用相应的车速,非自由状态行驶的车队有三个特性制约性,滞后性,传递性。跟驰理论有线性和非线性的模型,其中非线性模型不但考虑了相邻的两车之间的相对速度,而且也考虑了车辆之间的间距。车流波理论即流体力学模拟理论是一种宏观的模型 7。它假定在车流中各个车辆的行驶状态与它前面的车辆完全一样,该理论适用于“流”的状态较为明显的情况,如瓶颈路段的车辆拥挤问题。传统交通流理论的明显特点是交通流模型的限制条件比较苛刻,模型推导过程比较
16、严谨,模型的物理意义明确,如交通流分布的统计特性模型、车辆跟驰模型、交通流模型、车辆排队模型等。现代交通流理论是指以现代科学技术和方法如模拟技术、神经网络、模糊控制等为主要研究手段而形成的交通流理论,其特点是所采用的模型和方法不追求严格意义上的数学推导和明确的物理意义,而更重视模型或方法对真实交通流的拟合效果。这类模型主要用于对复杂交通流现象的模拟、解释和预测,而使用传统交通流理论要达到这些目的就显得困难。传统交通流理论在目前交通流理论体系中仍占主导地位 8,虽然传统的各种模型对在较大尺度下的交通流具有较好的拟合效果,但是当观察的尺度缩小到比较小的情况下,拟合结果往往不够十分理想,因此对于较小尺度的交通流率的时间变化曲线即短时交通流信号,本文将采用小波分析、分形分析神经网络等现代数学工具来探究短时交通流的内在规律。4 改进的短时交通流预测方法对于短时交通流的不确定性所给预测造成的困难,一般有两个改进方法。具有混沌分形特性的交通流的不确定性主要是由于其系统本身的混沌特性,使用相空间重构一神经网络预测方法基于相空间