论文部分内容阅读
交通流诱导是目前公认的提高交通效率和机动性的最佳途径，其目标是在交通网络中为行人提供最佳的旅行路径。交通网络可以归结为时变网络，这方面的算法研究已经很深入。但是，要将这些算法投入交通流诱导中应用，目前一个亟需解决的关键问题是给出交通网络中每条链路的旅行时间函数Tij（t）。本文采用交通流预测方法能够实时动态地预测旅行时间函数Tij（t）的值。大量学者已经对交通流预测方法进行了研究，神经网络是应用最为广泛且效果较好的一种。但是，神经网络学习法采用经验风险最小化原理，在理论上存在缺陷。针对神经网络的不足，Vapnik提出基于统计学习理论的支持向量机方法，通过结构风险最小化原理提高泛化能力，较好地解决了小样本、非线性、高维数、局部小等实际难题。采用支持向量回归方法（SVR）进行交通流预测，其理论优势得以实现的前提是选取合适的回归参数。本文采取公式法对SVR的参数进行选择。实验表明该方法选取的回归参数与经验决定参数预测效果基本相同，能够满足交通流预测实时性、精确性要求。然而，要建立整个路网的实时交通流预测，无检测器路段的实时预测必不可少。本文利用聚类分析方法、判别分析技术和支持向量机建立无检测器路段的交通流预测模型。从而，实现整个路网的实时交通流预测。然后，本文在分析大规模交通网络特性的基础上，建立了大规模路网实时交通流预测模型，该模型分为三个模块：数据处理模块、训练模块和预测模块。接着，研究大规模交通网络实时交通流预测模型在时间依赖的中国邮路问题、交通控制、交通流实时信息发布系统和公交优先的最优路径选择中的应用。然而，这些应用对预测的实时性要求很高。为了提高预测的实时性，本文采用并行方法来计算每个链路的旅行时间函数Tij（t）的值。在用MPI编写并行程序时，存在资源瓶颈问题。Charm++技术提供了自适应MPI和负载均衡策略，在解决资源瓶颈问题的同时能够实现负载的均衡计算。本文在深腾1800高性能机器上进行2000个路段的并行计算，实验结果表明采用Charm++方法实现的大规模交通网络实时交通流预测能够完全满足预测的实时性和准确性要求。