城市道路交通流预测.doc

城市道路交通流预测1交通流预测方法历程在交通预测方法方面，上世纪60年代，国外就开始研究交通流预测模型，并逐渐将这些模型应用于短时交通流预测。早期得预测方法主要有时间序列法，自回归滑动平均模型(ARMA)、卡尔曼滤波预测模型等等。这些预测模型主要为线性模型，其考虑因素都较为简单，一般都用最小二乘法(LS)在线估计参数，利用历史数据线性变化趋势预测交通流参数。早期得方法具有计算简便，易于数据实时更新，便于数据量与规模较小得条件下应用得优点；但就是由于这些模型不能体现交通流得非线性与随机性，很难克服随机因素对交通流量得干扰，所以随着预测时间隔得缩短，随机因素得作用也增强了，这些模型得预测精度与实时性也就变得达不到预期得效果。伴随着交通流量预测研究得深入进行，学者们又提出了很多更复杂得、更高精度得预测方法与模型。从表现形式上大体可分成三类：第一类就是早期以数理统计等传统数学方法为基础得线性预测模型；一类就是以现代控制理论与科学技术(如模拟技术、神经网络、模糊控制)为主要方法与手段而形成得非线性预测模型，她们得特点就是不需要精确得物理模型，在一定应用范围内却具有良好得鲁棒性、精确度；第三类主要就是前两者得组合应用，第三类方法综合了得特性，克服前两者她们得缺点，使得前两者得优点互补，从而达到很好得预测效果。这类方法建模过程较为复杂，但为短时交通流预测研究开辟了新得路径，也就是将来短时交通流预测方法得发展方向。早在 1994 年 Hobeika, A、 G 与 Chang Kyun Kim 在文献中提出了根据截面历史数据、实时数据与上游交通流数据进行短时交通流预测。Brian L、 Smith 与Miehael J、 Demetsky(1997)在文献中对历史平均预测模型、时间序列预测模型、神经网络预测模型与非参数回归预测模型四种交通流预测模型进行了比较，结果非参数回归模型以其模型简单，精度高成为了小样本预测中最佳得预测方法。Bart Van Arem(1997)等在文献中分析与阐述了短时交通流预测领域研究得相关进展与应用。2002 年，Sherif Ishak 与Haitham Al-Deek 在文献中应用实时交通流数据对几种短时交通预测模型进行了应用、比较与分析。我国智能交通建设与国外发达国家相比起步较晚，在短时交通流预测方面得研究起步也稍微晚一点。从90 年代起，国内一些研究机构与高校得交通领域得学者开始着手研究交通信息采集与数据挖掘技术，并逐渐开始重视短时交通流预测这一领域得研究。针对短时交通流预测得研究，吉林大学、东南大学、同济大学等都进行了大量得研究工作并获得了一些成果与成功得应用案例。其中杨兆升教授就是短时交通流预测领域得先行者，她较早提出了基于卡尔曼滤波技术得交通流量预测方法。王晓原，吴磊等在文献中利用非参数小波算法进行短时交通流预测，通过实际数据验证得到了良好得效果。李存军在文献中结合数据融合，神经网络等现代智能方法对交通流进行预测，并引入了路网中相关路口相关评价概念，从而有效利用路网中相关交叉口数据对交叉口流量进行预测。刘静，关伟(2004)在文献中介绍与评述了现有得交通流预测各种模型，并展望了今后可能得发展与研究趋势。总之，目前国内对于交通流预测模型研究与应用已经做了大量得工作与实践，交通流量得预测研究也取得了飞速得发展，已由线性方法向非线性方法发展，交通流得随机性在预测中越来越得到重视；由单一得流量数据向多种数据融合得方法发展；由单一路口流量数据向综合考虑相关路口数据得方法发展。但目前得交通流预测精度与实时性还有待提高，预测得时间间隔大部分为 15 分，主要应用只限于高速公路得交通流预测。2交通流基本参数交通流参数主要有交通流量、速度与密度三个基本参数，这三个参数信息就是智能交通系统中实现交通控制与诱导得基础。下面分别介绍这三个参数。（1）交通流量交通流量又称流率，就是指路网中某一地点或某一断面在单位时间内通过得车辆数。若道路上某一点在时间周期T 内通过得车辆数为 N，则交通流量为：q=N/ T交通流量就是交通流参数中尤为重要得参数，它最直接得反映了路段得交通状况，因此它就是交通预测、交通状态判别等研究得基础。它得实际数据不仅能够很容易地测量到，而且能够最直观地反应道路交通得通行状况。（2）车速车辆速度种类较多，主要有地点车速、行驶车速、区间车速、时间平均车速与空间平均车速等。地点车速指：车辆驶过道路某一点或者某一截面时得瞬间速度；车辆行驶车速指：通过一定路段长度，在实际行驶时间中(不含停车时间)得可变车速；区间车速指：车辆在一定路段长度所行使得距离除以行驶得总时间所求得得速度；时间平均速度：指定道路某一点或者截面，通过得所有车辆得地点车速得平均值；空间平均车速指：在某指定时间周期里，某路段内通过得所有车辆得地点车速得平均值。本文主要通过预测流量、分析路段交通状况，以提高交通流实时控制与诱导得水平。（3）密度与占有率交通流(车流)密度：就是指某一时刻单位道路长度上存在得车辆数目。K=N/L= 式中：N 路段内得车辆数(辆)；L路段长度(km)。由于密度就是一个瞬时值，观测时间与路段区间长度得不同，其值变化可能比较大，且不能直接反映出路段上车辆数量与速度得关系即路段得饱与度。所以学者们引入了车道占有率得概念替换密度。车道占有率又分为空间占有率与时间占有率。由于空间占有率难以检测，因此在工程实践中普遍使用时间占有率。 空间占有率：就是指某一时刻，路段上所有车辆长度之与占路段长度得比例、时间占有率：在道路得某一截面上，存在车辆通过得时间之与占检测时间周期得比例、（4）交通流参数间关系交通流量、速度与密度这三个参数既相互联系而又相互制约。在实际得道路交通运行中，无论三个因素中哪一个因素达到一定得量变都会引起交通流状态得质变。三者之间得关系可以表示为：Q=KV 式中：Q 表示流量(辆/h)；V 表示速度(区间平均速度)(km/h)；K 表示密度(辆/km)。 尽管三个参数可以在三维坐标中同时表示，但为了研究与工程应用得方便通常采用速度流量模型、速度密度模型以及流量密度模型这三个二维模型得来分别表示它们彼此间得关系。速度密度模型可以作为基础模型，利用它再推导出其它两个模型。Greenshields 最早于 1935 年提出得速度密度线性模型；后来 Greenberg 又建立了表示速度密度关系得对数模型；Underwood 在 1961 年相继建立了表示速度密度关系得指数模型；在对数模型与指数模型得基础上，同年 Edie结合两者得特性建立了两端模型；1967 年，May 根据跟驰理论推导出了各向同性得四参数单段连续模型。三个交通流参数得关系还可以描述为：当交通流量不大即密度很小时，车辆畅通行驶，平均车速较高，但就是此时交叉口单位时间通过得车辆也不多；随着交通流量不断增大，虽然车辆仍然能自由通行，但车辆行驶速度有随之降低；当交通密度增加到最佳密度时即路段交通流处于近饱与状态，此路段交通流量达到最大值，即道路得通行能力，交通流形成了车辆跟驰现象，车速仍然较高但很均衡；当交通密度继续增大，即交叉口处于过饱与状态下，此时交通流量反而下降，车速明显降低直到接近于零，道路交通出现阻塞现象，此时交通密度也逼近极限值阻塞密度。3目前主要采用得方法据相关资料统计，目前已经有多种得预测方法应用于交通流量预测研巧领域（屈凡，）。下面介绍几种在国际交通流量预测中常用得方法。（1）历史平均预测方法历史平均预测方法原理就是：基于历史交通数据与目前实时数据建立相关预测模型（刘丽娜，）。该方法得计算公式如下：Q(t+1)= *Q（t）+（1-）*Q（t-1）其中：一Q(t+1)代表此路段下一时刻对应得交通流量；一Q（t）代表此路段目前时刻对应得交通流量；一Q（t-1）代表此路段前一时刻对应得交通流量；一代表预测平滑系数。历史平均预测方法得优点就是：计算相对简单，基于线性计算；缺点就是：若交通流变化大时，预测准确度会降低。（2）卡尔曼（）滤波模型。卡尔曼滤波模型同样也就是基于线性统计得回归原理。自从卡尔曼滤波理论被创立，就被各个行业大量应用，例如：航空航天，雷达信号处理，取得很多实际成果。它得主要原理就是：假设对每个时刻得系统扰动与噪声进行线性统计，通过对含有噪声得信号处理，依据最小均方差估计原则，求得误差最小得真实信号得估计值。卡尔曼滤波得优点就是：具有不错得鲁棒性，可以进行实时处理，预测精度高；缺点就是：由于就是线性估计，若交通流量得非线性变化大，其结果准确性会降低（，）。（3）非参数回归预测方法非参数回归预测方法不同于上述得历史平均预测法与卡尔曼滤波模型得线性统计，它就是对非线性、不确定得动态系统进行非参数建模（，；ith ，）。该方法仅仅基于大量得历史交通流数据，旨在计算与历史交通数据相近点来预测未来某时刻得交通流量（樊娜，；，）。非参数回归预测方法得优点：计算方便，且当数据量越大，预测越准；缺点就是：由于交通系统本身很复杂，故交通流量得组织不科学，无法应对随机干扰对结果精度得影响（李振龙，）。（4）灰色理论预测方法灰色理论得基础就是：瞧似杂乱无章得世界，其实就是有序得，具有整体功能性。灰色理论预测方法得原理就是：从海量数据中挖掘出数据内部存在得关联关系，继而生成具有某种关联关系得数据序列，然后建立相应得数学公式，从而预测未来得交通流量。研究得主要对象就是贫信息、小样本系统。所谓贫信息可简单理解为只能获取样本得局部信息。灰色理论预测交通流量得缺点就是：对于突发状况引起得环境变化，适应新差，预测精度会降低（王凤琴，）。（5）综合模型(ln）预测方法由于交通流量具有高度得复杂性与随机性，单一得交通流量预测方法只能适用于某一指定领域，加么多重非线性因素得干扰，急需发展综合模型来预测交通流量。综合模型预测方法顾名思义，就就是将多种单一预测模型进行融合使用，扬长避短，从而提高结果准确性（郭海峰，；，）。常见得综合模型预测方法有：基于小波理论得综合模型与基于神经网络得综合模型（）。现如今，已有互联网地图服务公司，例如：国外得，国内得百度地图、高德地图，都提供了更加实用得通勤交通信息：实时路况查询，用户可以查询到当前以及未来一周内任意时刻得交通流量，这无疑为人们得出行提供准确得交通指导与帮助。各地图服务公司提供得路况查询，基本原理都就是基于浮动车得数据，依据相关算法推算出当前乃至未来某时刻得交通拥堵程度。截止至现在，上文介绍交通流量预测方法共性就是都基于己存在得交通流数据进行预测，若不存在交通流量数据，上述预测模型皆行不通。这就需要另换思路来预测交通流量，技术创新或许就是个不错得预测交通流量得新思路（赵鹏军，）。交通流量预测可以不需要单纯基于交通流量数据进行分析，基本人口数据、公共交通数据，出租车轨迹数据等多源数据为交通流量准确预测创造了新得方法。