突發(fā)事件下道路交通流預測方法研究.pdf

1、隨著我國經(jīng)濟的飛速發(fā)展，交通需求也日益增加，隨之而來的交通事故也大幅提升，由突發(fā)事件引起的道路擁堵、環(huán)境污染和安全問題，已引起交通管理者和交通領域科研學者的廣泛關注。突發(fā)事件狀態(tài)下的交通流具有突變、偶發(fā)及非線性的特征，其內(nèi)部機理和功能之間的復雜性、關聯(lián)性尚未得到足夠的重視。
　　實時準確地對事發(fā)路段的交通流進行快速預測不僅有助于提高道路交通管理水平，也有助于人們更合理的規(guī)劃自身的出行路徑和時間。當前在交通流預測領域存在很多預測方法

2、，例如基于時間序列數(shù)據(jù)的ARIMA預測法、基于空間狀態(tài)數(shù)據(jù)的卡爾曼濾波預測法和基于時空數(shù)據(jù)的支持向量機預測法，這些預測方法一方面，預測流程較復雜，且需要對模型的參數(shù)進行多次設置。另一方面，在預測過程中都未考慮事件對交通流預測準確度的影響。
　　針對上述問題，本文從突發(fā)事件下道路交通流的時空特性入手，深入分析了事件狀態(tài)下各相鄰路段上檢測器交通流數(shù)據(jù)的時空相關性，提出了一種考慮事件因素的隨機森林預測法，最終通過實際數(shù)據(jù)驗證了本方法的有

3、效性。本文的研究成果概括如下:
　　(1)提出了基于122報警信息的交通事件獲取方法，建立了北京市地名地址空間位置信息數(shù)據(jù)庫，在此基礎上通過“分層分塊”的地名數(shù)據(jù)組織方式，提取相應層和相應區(qū)域的地名作為地名詞典。同時以交通事件的空間位置信息為基礎，將檢測器采集的交通流數(shù)據(jù)進行標識，從而知道每個數(shù)據(jù)的具體狀態(tài)。
　　(2)以獲取的交通事件為基礎，將采集的交通流數(shù)據(jù)劃分為:有事件時的交通流數(shù)據(jù)和無事件時的交通流數(shù)據(jù)，通過對事件狀

4、態(tài)下交通流速度變化規(guī)律的研究，發(fā)現(xiàn)突發(fā)事件狀態(tài)下相鄰檢測器的數(shù)據(jù)具有很強的時空相關性。
　　(3)以交通流的時空相關性和獲取的交通事件為基礎，考慮突發(fā)事件本身的因素，將分類后的數(shù)據(jù)，分別用時間序列數(shù)據(jù)和空間狀態(tài)數(shù)據(jù)作為隨機森林、ARIMA和卡爾曼濾波算法的輸入，對突發(fā)事件下的交通流進行預測。
　　(4)為更好的提高預測精度，提出了一種數(shù)據(jù)時空融合的預測方法，該方法主要是借助最小二乘法將時間序列數(shù)據(jù)預測法和空間序列預測法獲得的