基于交通數據融合技術的行程時間預測模型.pdf

1、在交通運營與管理中，高效的出行信息與路徑誘導系統(tǒng)將發(fā)揮越來越重要的作用。行程時間作為其中的關鍵參數，能夠為交通狀態(tài)估計和城市路網擁堵情況的發(fā)布提供數據參考。同時，行程時間是衡量路段通行效率和延誤的重要依據，是反映路段交通狀態(tài)的直接指標，在智能交通系統(tǒng)中有著廣泛應用。
　　 目前，行程時間的預測研究大都局限于單一交通數據源。單一的交通數據容易受采集儀器的精度、采集方法、樣本量、人為操作等因素的影響;而多源交通數據的融合，可以彌補單

2、源數據的諸多不足，提高行程時間預測的精度。本文提出利用GPS浮動車數據與微波檢測器交通數據進行融合，建立行程時間預測的數據融合模型。
　　 本文采用小波神經網絡建立數據融合模型。同BP神經網絡相比，小波神經網絡具有更強的信息提取、非線性逼近和容錯能力，但它存在初始參數選取的隨機性、易形成局部極小值而得不到整體最優(yōu)值等問題。遺傳算法可以用來優(yōu)化小波神經網絡的初始網絡參數，彌補小波神經網絡自身的不足。優(yōu)化后的小波神經網絡用于數據融合

3、可以提高模型的收斂速度與泛化能力。
　　 本文選取廣東清遠北江新區(qū)廣清大道的交通數據進行了行程時間預測。結果顯示，GPS出租車得到的行程時間與視頻觀測值相比偏低，誤差超過了目標閾值15％的范圍。原因在于出租車頻繁超車，車速高于路段車流。而微波檢測器得到的行程時間大于視頻觀測值，誤差超過了15％的范圍。主要原因在于實驗路段大客車、大貨車較多，遮擋了車流中部分小汽車，造成小汽車數據的漏檢。而融合后的行程時間與視頻觀測數據吻合良好，誤