论文部分内容阅读
智能交通系统(ITS)作为缓解城市交通压力的有效途径之一,已经成为城市交通发展的方向,而行程时间预测是ITS的核心研究内容之一,它在交通诱导系统、信号协调控制系统等ITS子系统中起着重要作用。目前国内外对行程时间预测研究大多基于浮动车和固定检测器数据,少有利用车辆诊断系统(On Board Diagnostic,OBD)数据进行相关的研究,而OBD可以获取车辆实际运行状态下的行车数据,数据量大且覆盖范围广,非常适合于进行交通预测研究。本文主要研究内容包括:(1)对OBD数据量及数据分布进行了统计分析,依据阈值法和统计结果对数据中的异常值和缺失值进行了识别与处理,提高了 OBD数据的质量。(2)基于车辆定位误差对电子地图进行格网划分,设置了定位点与路段的索引规则,计算并判定偏差距离与路段行车方向,将OBD数据精确匹配到电子路网上。以端点时间插值估计法为基础,针对车辆定位点在路段下游端点附近的位置不同,分别设置不同的端点时刻计算方法。以北京市阜成门外大街为实验道路,计算求得了该道路20个工作日的行程时间数据,经相关性分析,验证了行程时间数据的可靠性。(3)在城市道路行程时间预测研究中,提出了一种基于新息的卡尔曼滤波行程时间预测模型,通过观测新息的变化,实时调节噪声协方差,以提高卡尔曼滤波的稳定性;同时,建立了基于布谷鸟算法优化Elman神经网络的行程时间预测模型,引入最优鸟巢位置降低布谷鸟算法随机偏好游动机制的强随机性,利用改进后的布谷鸟算法优化Elman神经网络参数的初始值。(4)利用由OBD数据得到的道路行程时间数据对所建立的模型进行检验。结果表明,两模型的平均绝对百分比误差(MAPE)均小于4%,利用基于新息的噪声协方差调整后的卡尔曼滤波的MAPE较未调整前降低了 3%。经过布谷鸟算法优化后的Elman神经网络预测模型MAPE较未优化前降低了 3.3%,且相比于遗传算法,布谷鸟算法对Elman神经网络初始参数的优化效果更加显著。