基于多斷面信息的城市道路網(wǎng)交通流預測方法研究.pdf

1、1.提出基于交通流時空特性的在線自適應時空復合預測模型?；谶^程神經(jīng)網(wǎng)絡模型的預測方法，對單點在線自適應預測模型進行擴展，引入相空間重構(gòu)、奇異值分解等技術對模型參數(shù)進行初始化，構(gòu)建并行化的時空復合預測模型。與傳統(tǒng)時空預測模型相比，時空復合預測模型充分考慮交通流空間相互作用對輸入樣本的影響，提高了模型的實時性和可靠性，降低模型的計算復雜度。
　　 2.提出基于斷面信息的在線自適應RBF網(wǎng)絡交通流預測算法。在大樣本環(huán)境中，將RBF網(wǎng)

2、絡離線學習和在線優(yōu)化過程相結(jié)合，給出兩階段混合自適應學習算法，依據(jù)隱節(jié)點貢獻度大小，動態(tài)增加、刪除、替換隱節(jié)點，自適應調(diào)整RBF網(wǎng)絡結(jié)構(gòu)，進行交通流預測。該算法減小RBF網(wǎng)絡結(jié)構(gòu)給預測過程造成的壓力，提高預測結(jié)果的可靠性和預測過程的自適應性。
　　 3.建立基于斷面信息的在線自適應LS-SVM交通流預測模型。在小樣本環(huán)境中，引入支持向量貢獻度和交通流相似性判別方法，細化支持向量增加、刪除的基本條件，增加支持向量替換操作。通過動態(tài)

3、更新支持向量，嚴格限制支持向量和訓練樣本的數(shù)量，動態(tài)自適應調(diào)整LS-SVM的結(jié)構(gòu)，使算法能夠?qū)Ξ斍敖煌髯兓皶r做出響應，有效地解決傳統(tǒng)LS-SVM的解缺乏稀疏性的問題，提高預測結(jié)果的可靠性和預測過程的自適應性。
　　 4.基于交通流時空復合預測模型研究開發(fā)城市道路交通誘導系統(tǒng)。該交通誘導系統(tǒng)以交通流時空復合預測模型為基礎，縮短交通預測時間，提高預測的實時性，為出行者提供更加全面和準確的交通出行信息。在此基礎上提出多條件出行路徑

4、查詢功能，為用戶提供更加合理的出行路徑選擇方案，引導出行者的出行行為，緩解道路交通流分布不均衡等問題。
　　 隨著社會經(jīng)濟的快速發(fā)展，城市汽車保有量不斷增加給城市道路交通系統(tǒng)造成極大的考驗，交通事故、交通擁堵、環(huán)境和能源等問題不斷加劇，極大地降低人們出行的便利性。智能交通系統(tǒng)(ITS)是解決城市道路交通問題的有效手段之一，其中交通流預測是ITS的基礎性研究內(nèi)容，為交通控制和誘導提供基礎理論支持和數(shù)據(jù)支持。通過向出行者提供實時有效

5、的交通信息，誘導出行者的出行行為，盡可能充分利用交通基礎設施，解決或緩解交通擁堵等問題。深入分析和掌握道路交通流變化規(guī)律，提高交通流預測的實時性、可靠性和自適應性成為目前關注和研究的熱點。
　　 本課題以城市道路網(wǎng)斷面交通流為研究對象，對各斷面交通流時間空間特性和時空預測理論進行深入研究和探索，主要研究內(nèi)容和成果包括:
　　 城市道路網(wǎng)交通流不僅隨時間變化，同時也受空間因素的影響。在分析交通流空間變化特性基礎之上，重點研

6、究城市交通流空間相互作用的影響因素，如距離、交通狀態(tài)等，結(jié)合城市地理學相關理論，對交通流空間相互作用的延遲特性進行深入分析，給出基于時滯的交通流互相關性算法，通過實測數(shù)據(jù)驗證計算法的正確性。
　　 交通流時空預測模型充分考慮到交通流時間和空間變化特性，如果將所有斷面作為整體進行分析和預測，將極大地增加模型的計算復雜度。對比各種聚類分析方法。本文給出基于交通流互相關性的路網(wǎng)斷面分組算法，該算法基于平均相關性、主成分分析和k-mea

7、ns，無需初始化聚類參數(shù)，如聚類數(shù)、聚類中心等，具有較強的靈活性和自適應性。
　　 本文系統(tǒng)研究單點和多點交通流預測理論，基于過程神經(jīng)網(wǎng)絡模型的預測方法，提出在線自適應復合交通流時空預測(OAHST)模型。OAHST模型基于并行化思想，對單一預測模型進行擴展。OAHST是一個多輸入單輸出模型，將斷面分為主斷面和輔助斷面，分別估算各斷面交通流變化規(guī)律進行交通流預測，根據(jù)跟斷面間的關聯(lián)關系，對主斷面的預測結(jié)果進行修正。
　　

8、 在初始交通流統(tǒng)計樣本較為豐富的情況下，建立在線自適應RBF網(wǎng)絡預測模型。構(gòu)建神經(jīng)網(wǎng)絡的難點在于網(wǎng)絡結(jié)構(gòu)的確定，即隱節(jié)點基本信息，適當?shù)碾[節(jié)點數(shù)可以降低神經(jīng)網(wǎng)絡的計算復雜度，提高學習訓練的收斂速度。論文深入研究神經(jīng)網(wǎng)絡序貫學習算法，對其進行改進和優(yōu)化，提出兩階段混合自適應學習算法（TSMALA算法）。TSMALA基于隱節(jié)點貢獻度大小，動態(tài)增加和刪除隱節(jié)點，對RBF網(wǎng)絡結(jié)構(gòu)進行自適應調(diào)整，高效快速地對外界變化做出響應。
　　 在初

9、始交通流統(tǒng)計樣本較小的情況下，建立在線自適應最小二乘支持向量機LS-SVM預測模型。最小二乘支持向量機(LS-SVM)是對支持向量機(SVM)的優(yōu)化，將所有樣本作為支持向量，增加預測過程的計算復雜度，使LS-SVM的解缺乏稀疏性，測速度相對緩慢。本文重點分析支持向量，給出支持向量增加、刪除、替換的訓練算法，通過動態(tài)更新支持向量，嚴格限制支持向量和訓練樣本的數(shù)量，使預測模型能夠?qū)ν饨绲淖兓皶r快速地做出響應。
　　 根據(jù)實際工作需

10、求，在論文研究成果基礎之上研發(fā)基于時空預測技術的城市道路交通流誘導系統(tǒng)作為實際案例研究。根據(jù)業(yè)務流程設計相關系統(tǒng)功能的算法流程，通過案例演示應用系統(tǒng)的主要功能模塊和操作界面等。
　　 本文深入分析交通流時間和空間變化特性，基于過程神經(jīng)網(wǎng)絡模型的預測原理，提出并行化交通流時空復合預測(OAHST)模型，OAHST模型單獨考慮預測模塊輸入維，建立交通流數(shù)據(jù)滑動窗口，依據(jù)當前輸入樣本動態(tài)確定預測模型的輸入。針對初始樣本的大小，分別給出