论文部分内容阅读
随着城市经济和规模的快速发展,机动车保有量迅猛增加,由此导致了交通拥堵、交通噪声和交通事故等诸多问题。智能交通系统是缓解这些问题的有效手段之一,能为交通管控和交通规划提供准确实时的信息。道路交通流预测可为智能交通系统提供准确、可靠的基础数据。道路交通流预测发展至今已有几十年,正常天气道路交通流预测的研究模型已相当成熟,但对交通流模式影响因素的分析还不够细致;不良天气道路交通流规律会发生较大变化,而不良天气道路交通流预测研究还不够深入。此外,不同交通流预测模型性能各异,其预测精度差异是否会对交通管控效果产生影响也值得探讨。因此,从模式划分和不良天气角度探究道路交通流预测,并探讨道路交通流预测对交通管控效果的影响。主要研究内容有以下几方面:（1）道路交通流下一时刻的状态通常只与当前时刻和前几个相邻时刻的状态存在较大的联系,这与马尔可夫链的特性不谋而合。时段和车型是影响交通流模式的重要因素。因此,考虑交通流模式划分,提出基于模式划分的马尔可夫模型。通过使用有序聚类法将一天划分为不同时段,选取不同的马尔可夫模型预测各时段交通流,进而得到一天的交通流预测值。考虑时段和车型引起的交通流模式划分,对比各模型的预测性能。（2）考虑道路交通流的复杂性,将道路交通流数据划分为相似部分、波动部分和不规律部分,使用自回归积分滑动平均和广义自回归条件异方差模型预测相似和波动部分,利用基于状态隶属度的马尔可夫模型和小波神经网络预测不规律部分,进而提出改进型神经网络,包括一种线性组合预测（Linear Hybrid Model,LH）模型和一种非线性组合预测（Nonlinear Hybrid Model,NLH）模型。此外,还详细探究交通流模式划分对各类交通流预测模型精度的影响,分析线性组合预测模型和非线性组合预测模型的优缺点。（3）不良天气道路交通流特性会发生很大变化,为准确预测不良天气道路交通流,在考虑交通流时空特性基础上提出一种深度组合预测（Deep Learning Network Concerning Adverse Weather,DLW-Net）模型。该模型使用卷积神经网络、长短期记忆和门控循环单元神经网络搭建模型框架,包含目标分析和全局分析部分,利用目标分析部分捕捉目标时期内交通流数据的时空特性,使用全局分析部分提取交通流和天气数据间的关系。选取大雨和大风天交通流数据验证所提模型,并分析大雨和大风对交通流特性及预测的影响。（4）不同类型不良天气对道路交通流波动规律的影响不尽相同,所以需详细地分析各类不良天气对道路交通流预测的影响。为更准确地预测各类不良天气交通流,使用自注意力机制、卷积神经网络、门控循环单元神经网络和卷积长短期记忆神经网络搭建一种深度组合注意力（Deep Hybrid Attention Model,DHA）模型。该模型包含交通模块和天气模块,在各模块的底端引入自注意力机制,进一步挖掘各步历史数据中信息的重要性。选取小雨、中雨、大雨、薄雾、雾霾、雾、和风和大风8种天气,分析各不良天气对交通流特性的影响。然后,使用这8种不良天气对应的交通流数据验证所提模型,并分析不同程度不良天气对交通流预测模型准确性的影响。（5）相比单个和多个断面道路交通流预测,路网交通流预测需考虑更多断面间的动态相关性。为更准确地预测不良天气路网交通流,引入生成对抗网络,使用编码-解码器、门控卷积层、长短期记忆神经网络和注意力机制构建一种交通-天气生成对抗网络（Traffic-Weather Generative Adversarial Network,TWeather-GAN）交通流预测模型,该模型包括交通模块和天气模块,能更准确地捕捉和不良天气相关的规律。使用雾、大风和大雨天交通流数据验证,该模型能完成不良天气路网交通流的精准预测,并实现交通流多步预测。（6）选取深度学习模型预测雨天交叉口各流向交通流,验证各模型对交叉口交通流预测的准确性。然后,将各模型的预测交通量作为交通需求,进行交叉口信号配时优化,获得不同信号配时方案;利用这些信号配时方案进行仿真,获得交通流运行性能指标,分析不同信号配时方案对交通流运行状况的影响,进而归纳和总结交通流预测对交通管控效果的影响,给出交通流预测模型在实际应用中的建议。研究结果表明:（1）基于模式划分的马尔可夫模型优于现有的马尔可夫模型,划分时段后再区分车型能进一步提高马尔可夫模型的交通流预测精度,考虑交通流模式划分对交通流预测十分重要;（2）两种改进型神经网络（LH和NLH模型）预测性能较好,非线性组合方式所得预测结果更优,区分车型通常能使各交通流预测模型误差降低;（3）DLW-Net模型在大雨和大风天最优,大风和大雨均会影响交通流规律;（4）多不良天气下,DHA模型性能最好,天气模块和自注意力机制的引入能提升不良天气道路交通流预测精度,不同程度不良天气对交通流特性和预测影响不同;（5）TWeather-GAN模型能实现不良天气路网交通流的精准多步预测;（6）模型平均预测精度的提高不一定能对交通管控效果产生积极影响,只有精准捕捉管控时段内交通流特性才能获得理想的交通流运行状况。