基于多維時空參數(shù)的道路短期交通流預測研究.pdf

1、我國各大城市的交通擁堵現(xiàn)象日益嚴重,不僅影響了城市生活的效率和質量,而且?guī)砹谁h(huán)境污染、能源緊張等一系列經(jīng)濟社會問題。智能交通系統(tǒng)被認為是解決城市交通擁堵的有效途徑,作為交通誘導核心環(huán)節(jié)的道路短期交通流預測技術領域的研究還處于探索階段,其已經(jīng)成為智能交通系統(tǒng)實施的瓶頸。
　　 由于道路交通流具有很強的時變特性,因而,傳統(tǒng)的預測方法很難對其進行準確的預測。支持向量機(SupportVectorMachine,SVM)模型作為一種新

2、興的機器學習方法,具有很強的數(shù)據(jù)挖掘能力和捕捉數(shù)據(jù)時變特性的能力,同時其泛化能力較之神經(jīng)網(wǎng)絡也有明顯改善,更適用于對非線性序列進行預測。因此,本文基于SVM模型進行道路短期交通流預測研究。
　　 由于道路交通流會同時受到時間、空間多維度的參數(shù)作用,是一個非線性的復雜系統(tǒng),本文首先分析道路交通流的時空特性,發(fā)現(xiàn)時間維度上目標路段先前流量參數(shù)和空間維度上目標路段上、下游路段的交通狀況參數(shù)都會影響目標路段的交通流狀態(tài)。因此,對時、空維

3、度的參數(shù)進行組合,可以得到四組不同維度的參數(shù)組合,分別將其作為SVM的輸入數(shù)據(jù),建立四種不同維度的SVM道路短期交通流單步預測模型。然后,拓展單步預測模型,構建基于多維時空參數(shù)的道路短期交通流多步預測模型。最后,以貴陽市中心城區(qū)浮動車GPS數(shù)據(jù)為例進行實證分析。實驗結果表明,在本文構建的四種單步預測模型中,基于目標路段先前流量及下游路段交通狀況的SVM單步預測模型預測精度最高,且該模型以及本文提出的基于多維時空參數(shù)的SVM道路短期交通流