基于多斷面信息的城市道路網(wǎng)交通流預(yù)測(cè)方法研究.pdf

1、1.提出基于交通流時(shí)空特性的在線自適應(yīng)時(shí)空復(fù)合預(yù)測(cè)模型?；谶^程神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)方法，對(duì)單點(diǎn)在線自適應(yīng)預(yù)測(cè)模型進(jìn)行擴(kuò)展，引入相空間重構(gòu)、奇異值分解等技術(shù)對(duì)模型參數(shù)進(jìn)行初始化，構(gòu)建并行化的時(shí)空復(fù)合預(yù)測(cè)模型。與傳統(tǒng)時(shí)空預(yù)測(cè)模型相比，時(shí)空復(fù)合預(yù)測(cè)模型充分考慮交通流空間相互作用對(duì)輸入樣本的影響，提高了模型的實(shí)時(shí)性和可靠性，降低模型的計(jì)算復(fù)雜度。
　　 2.提出基于斷面信息的在線自適應(yīng)RBF網(wǎng)絡(luò)交通流預(yù)測(cè)算法。在大樣本環(huán)境中，將RBF網(wǎng)

2、絡(luò)離線學(xué)習(xí)和在線優(yōu)化過程相結(jié)合，給出兩階段混合自適應(yīng)學(xué)習(xí)算法，依據(jù)隱節(jié)點(diǎn)貢獻(xiàn)度大小，動(dòng)態(tài)增加、刪除、替換隱節(jié)點(diǎn)，自適應(yīng)調(diào)整RBF網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)行交通流預(yù)測(cè)。該算法減小RBF網(wǎng)絡(luò)結(jié)構(gòu)給預(yù)測(cè)過程造成的壓力，提高預(yù)測(cè)結(jié)果的可靠性和預(yù)測(cè)過程的自適應(yīng)性。
　　 3.建立基于斷面信息的在線自適應(yīng)LS-SVM交通流預(yù)測(cè)模型。在小樣本環(huán)境中，引入支持向量貢獻(xiàn)度和交通流相似性判別方法，細(xì)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(dòng)態(tài)

3、更新支持向量，嚴(yán)格限制支持向量和訓(xùn)練樣本的數(shù)量，動(dòng)態(tài)自適應(yīng)調(diào)整LS-SVM的結(jié)構(gòu)，使算法能夠?qū)Ξ?dāng)前交通流變化及時(shí)做出響應(yīng)，有效地解決傳統(tǒng)LS-SVM的解缺乏稀疏性的問題，提高預(yù)測(cè)結(jié)果的可靠性和預(yù)測(cè)過程的自適應(yīng)性。
　　 4.基于交通流時(shí)空復(fù)合預(yù)測(cè)模型研究開發(fā)城市道路交通誘導(dǎo)系統(tǒng)。該交通誘導(dǎo)系統(tǒng)以交通流時(shí)空復(fù)合預(yù)測(cè)模型為基礎(chǔ)，縮短交通預(yù)測(cè)時(shí)間，提高預(yù)測(cè)的實(shí)時(shí)性，為出行者提供更加全面和準(zhǔn)確的交通出行信息。在此基礎(chǔ)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(dǎo)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(huì)經(jīng)濟(jì)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(yàn)，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(yù)測(cè)是ITS的基礎(chǔ)性研究內(nèi)容，為交通控制和誘導(dǎo)提供基礎(chǔ)理論支持和數(shù)據(jù)支持。通過向出行者提供實(shí)時(shí)有效

5、的交通信息，誘導(dǎo)出行者的出行行為，盡可能充分利用交通基礎(chǔ)設(shè)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(yù)測(cè)的實(shí)時(shí)性、可靠性和自適應(yīng)性成為目前關(guān)注和研究的熱點(diǎn)。
　　 本課題以城市道路網(wǎng)斷面交通流為研究對(duì)象，對(duì)各斷面交通流時(shí)間空間特性和時(shí)空預(yù)測(cè)理論進(jìn)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(shí)間變化，同時(shí)也受空間因素的影響。在分析交通流空間變化特性基礎(chǔ)之上，重點(diǎn)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(xué)相關(guān)理論，對(duì)交通流空間相互作用的延遲特性進(jìn)行深入分析，給出基于時(shí)滯的交通流互相關(guān)性算法，通過實(shí)測(cè)數(shù)據(jù)驗(yàn)證計(jì)算法的正確性。
　　 交通流時(shí)空預(yù)測(cè)模型充分考慮到交通流時(shí)間和空間變化特性，如果將所有斷面作為整體進(jìn)行分析和預(yù)測(cè)，將極大地增加模型的計(jì)算復(fù)雜度。對(duì)比各種聚類分析方法。本文給出基于交通流互相關(guān)性的路網(wǎng)斷面分組算法，該算法基于平均相關(guān)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(qiáng)的靈活性和自適應(yīng)性。
　　 本文系統(tǒng)研究單點(diǎn)和多點(diǎn)交通流預(yù)測(cè)理論，基于過程神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)方法，提出在線自適應(yīng)復(fù)合交通流時(shí)空預(yù)測(cè)(OAHST)模型。OAHST模型基于并行化思想，對(duì)單一預(yù)測(cè)模型進(jìn)行擴(kuò)展。OAHST是一個(gè)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(jìn)行交通流預(yù)測(cè)，根據(jù)跟斷面間的關(guān)聯(lián)關(guān)系，對(duì)主斷面的預(yù)測(cè)結(jié)果進(jìn)行修正。
　　

8、 在初始交通流統(tǒng)計(jì)樣本較為豐富的情況下，建立在線自適應(yīng)RBF網(wǎng)絡(luò)預(yù)測(cè)模型。構(gòu)建神經(jīng)網(wǎng)絡(luò)的難點(diǎn)在于網(wǎng)絡(luò)結(jié)構(gòu)的確定，即隱節(jié)點(diǎn)基本信息，適當(dāng)?shù)碾[節(jié)點(diǎn)數(shù)可以降低神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度，提高學(xué)習(xí)訓(xùn)練的收斂速度。論文深入研究神經(jīng)網(wǎng)絡(luò)序貫學(xué)習(xí)算法，對(duì)其進(jìn)行改進(jìn)和優(yōu)化，提出兩階段混合自適應(yīng)學(xué)習(xí)算法（TSMALA算法）。TSMALA基于隱節(jié)點(diǎn)貢獻(xiàn)度大小，動(dòng)態(tài)增加和刪除隱節(jié)點(diǎn)，對(duì)RBF網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行自適應(yīng)調(diào)整，高效快速地對(duì)外界變化做出響應(yīng)。
　　 在初

9、始交通流統(tǒng)計(jì)樣本較小的情況下，建立在線自適應(yīng)最小二乘支持向量機(jī)LS-SVM預(yù)測(cè)模型。最小二乘支持向量機(jī)(LS-SVM)是對(duì)支持向量機(jī)(SVM)的優(yōu)化，將所有樣本作為支持向量，增加預(yù)測(cè)過程的計(jì)算復(fù)雜度，使LS-SVM的解缺乏稀疏性，測(cè)速度相對(duì)緩慢。本文重點(diǎn)分析支持向量，給出支持向量增加、刪除、替換的訓(xùn)練算法，通過動(dòng)態(tài)更新支持向量，嚴(yán)格限制支持向量和訓(xùn)練樣本的數(shù)量，使預(yù)測(cè)模型能夠?qū)ν饨绲淖兓皶r(shí)快速地做出響應(yīng)。
　　 根據(jù)實(shí)際工作需

10、求，在論文研究成果基礎(chǔ)之上研發(fā)基于時(shí)空預(yù)測(cè)技術(shù)的城市道路交通流誘導(dǎo)系統(tǒng)作為實(shí)際案例研究。根據(jù)業(yè)務(wù)流程設(shè)計(jì)相關(guān)系統(tǒng)功能的算法流程，通過案例演示應(yīng)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(shí)間和空間變化特性，基于過程神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)原理，提出并行化交通流時(shí)空復(fù)合預(yù)測(cè)(OAHST)模型，OAHST模型單獨(dú)考慮預(yù)測(cè)模塊輸入維，建立交通流數(shù)據(jù)滑動(dòng)窗口，依據(jù)當(dāng)前輸入樣本動(dòng)態(tài)確定預(yù)測(cè)模型的輸入。針對(duì)初始樣本的大小，分別給出