大規(guī)模路網(wǎng)實(shí)時(shí)交通流預(yù)測(cè)模型及應(yīng)用研究.pdf

1、交通流誘導(dǎo)是目前公認(rèn)的提高交通效率和機(jī)動(dòng)性的最佳途徑，其目標(biāo)是在交通網(wǎng)絡(luò)中為行人提供最佳的旅行路徑。交通網(wǎng)絡(luò)可以歸結(jié)為時(shí)變網(wǎng)絡(luò)，這方面的算法研究已經(jīng)很深入。但是，要將這些算法投入交通流誘導(dǎo)中應(yīng)用，目前一個(gè)亟需解決的關(guān)鍵問(wèn)題是給出交通網(wǎng)絡(luò)中每條鏈路的旅行時(shí)間函數(shù)T<,ij>(t)。本文采用交通流預(yù)測(cè)方法能夠?qū)崟r(shí)動(dòng)態(tài)地預(yù)測(cè)旅行時(shí)間函數(shù)T<,ij>(t)的值。 大量學(xué)者已經(jīng)對(duì)交通流預(yù)測(cè)方法進(jìn)行了研究，神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛且效果較好的

2、一種。但是，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理，在理論上存在缺陷。針對(duì)神經(jīng)網(wǎng)絡(luò)的不足，Vapnik提出基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)方法，通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理提高泛化能力，較好地解決了小樣本、非線性、高維數(shù)、局部小等實(shí)際難題。采用支持向量回歸方法(SVR)進(jìn)行交通流預(yù)測(cè)，其理論優(yōu)勢(shì)得以實(shí)現(xiàn)的前提是選取合適的回歸參數(shù)。本文采取公式法對(duì)SVR的參數(shù)進(jìn)行選擇。實(shí)驗(yàn)表明該方法選取的回歸參數(shù)與經(jīng)驗(yàn)決定參數(shù)預(yù)測(cè)效果基本相同，能夠滿足交通流預(yù)測(cè)實(shí)時(shí)

3、性、精確性要求。然而，要建立整個(gè)路網(wǎng)的實(shí)時(shí)交通流預(yù)測(cè)，無(wú)檢測(cè)器路段的實(shí)時(shí)預(yù)測(cè)必不可少。本文利用聚類(lèi)分析方法、判別分析技術(shù)和支持向量機(jī)建立無(wú)檢測(cè)器路段的交通流預(yù)測(cè)模型。從而，實(shí)現(xiàn)整個(gè)路網(wǎng)的實(shí)時(shí)交通流預(yù)測(cè)。 然后，本文在分析大規(guī)模交通網(wǎng)絡(luò)特性的基礎(chǔ)上，建立了大規(guī)模路網(wǎng)實(shí)時(shí)交通流預(yù)測(cè)模型，該模型分為三個(gè)模塊：數(shù)據(jù)處理模塊、訓(xùn)練模塊和預(yù)測(cè)模塊。接著，研究大規(guī)模交通網(wǎng)絡(luò)實(shí)時(shí)交通流預(yù)測(cè)模型在時(shí)間依賴的中國(guó)郵路問(wèn)題、交通控制、交通流實(shí)時(shí)信息發(fā)

4、布系統(tǒng)和公交優(yōu)先的最優(yōu)路徑選擇中的應(yīng)用。然而，這些應(yīng)用對(duì)預(yù)測(cè)的實(shí)時(shí)性要求很高。為了提高預(yù)測(cè)的實(shí)時(shí)性，本文采用并行方法來(lái)計(jì)算每個(gè)鏈路的旅行時(shí)間函數(shù)T<,ij>(t)的值。在用MPI編寫(xiě)并行程序時(shí)，存在資源瓶頸問(wèn)題。Charm++技術(shù)提供了自適應(yīng)MPI和負(fù)載均衡策略，在解決資源瓶頸問(wèn)題的同時(shí)能夠?qū)崿F(xiàn)負(fù)載的均衡計(jì)算。本文在深騰1800高性能機(jī)器上進(jìn)行2000個(gè)路段的并行計(jì)算，實(shí)驗(yàn)結(jié)果表明采用Charm++方法實(shí)現(xiàn)的大規(guī)模交通網(wǎng)絡(luò)實(shí)時(shí)交通流預(yù)測(cè)