论文部分内容阅读
高速公路拥挤的减轻，事故率的降低，管理水平的提高有赖于对交通流进行合理的控制和诱导，而实现交通流控制和诱导的关键问题是准确的交通流预测。交通流预测信息可以作为先进的交通管理系统(AdvancedTrafficManagementSystem，ATMS)的输入，制定前摄式的交通控制策略，还可以作为先进的路径诱导系统(AdvancedTravelerInformationSystem，ATIS)的输入，制定合理的路径诱导信息，帮助出行者更好地进行路径选择。有研究证明，与基于当前信息的交通控制和路径诱导相比，基于预测信息可以取得系统更优的结果。
交通流预测按照范围分可以分成：点(路段截面)、线(路段)交通流预测和路网交通流预测。目前点、线交通流预测主要采用以随机过程、数理统计和最优化等理论为数学基础的预测方法，这些方法一般要使用大量的检测数据进行参数估计或训练，具有较高的预测精度，因此也常被称作“数据驱动”方法。但是这些方法缺点是预测性能随不同的时间和道路环境变化，没有一种能够在所有情况下占有绝对优势。在路网交通流预测方面，中观仿真是目前取得效果最好的方法之一，但是由于中观仿真模型参数较多，对参数变化比较敏感，在路网局部点、线上的预测效果不如前者好。
针对这两个问题，本文根据从点到线、线到面，简单到复杂思路出发，先从高速公路路段截面的交通流量预测着手，提出了两种交通流量的组合预测方法，然后将点、线预测与中观仿真结合，提出了两者的结合框架。具体的完成内容包括：
(1)提出了高速公路交通流量的约束卡尔曼滤波组合预测方法。该方法是若干单一预测方法的动态加权组合，满足线性组合预测原理，其动态组合权值由约束卡尔曼滤波递推方程确定。利用高速公路采集的交通流量数据，通过组合单一的神经网络预测方法和单一的时间序列预测方法，分无干扰预测模型和有干扰预测模型情况对提出的方法进行了测试。实验结果表明：单一的神经网络预测方法或单一的时间序列预测方法预测性能随不同时间、不同预测步长起伏变化，而约束卡尔曼滤波组合预测方法始终优于其中最佳的单一预测方法或与之持平。
(2)提出了高速公路交通流量的神经网络组合预测方法。该方法是若干单一预测方法的非线性组合，通过使用神经网络逼近非线性组合映射，实现了组合权值的动态计算。采用高速公路采集的交通流量数据，通过组合单一的神经网络预测方法和单一的时间序列预测方法，分无干扰预测模型和有干扰预测模型情况对提出的方法进行了测试，并和基于线性组合原理的约束卡尔曼滤波组合预测方法进行了对比。实验结果表明：在不同时段、不同预测步长下，神经网络组合预测方法优于单一的预测方法；在整体预测效果上与约束卡尔曼滤波组合预测方法持平。
(3)提出了点、线预测与中观仿真结合的交通流预测框架。该框架将数据驱动方法在路网局部点、线的高精度预测能力与中观仿真的路网范围预测能力结合起来，通过可信度高的路网局部的点、线预测值，在线修正中观仿真模型的参数，使得中观仿真模型能够逼近、反映交通流运动趋势，提高路网范围交通状态预测精度。通过结合路段旅行时间预测与中观仿真的实例分析证明，点、线预测和中观仿真结合发挥了两者各自的优势，预测结果比单纯的中观仿真效果好。