突發(fā)事件下道路交通流預測方法研究.pdf

1、隨著我國經濟的飛速發(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，其內部機理和功能之間的復雜性、關聯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據的ARIMA預測法、基于空間狀態(tài)數據的卡爾曼濾波預測法和基于時空數據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據的時空相關性，提出了一種考慮事件因素的隨機森林預測法，最終通過實際數據驗證了本方法的有

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據庫，在此基礎上通過“分層分塊”的地名數據組織方式，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據進行標識，從而知道每個數據的具體狀態(tài)。
　　(2)以獲取的交通事件為基礎，將采集的交通流數據劃分為:有事件時的交通流數據和無事件時的交通流數據，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)現突發(fā)事件狀態(tài)下相鄰檢測器的數據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，將分類后的數據，分別用時間序列數據和空間狀態(tài)數據作為隨機森林、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，提出了一種數據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據預測法和空間序列預測法獲得的