基于混沌理论的交通流短时预测模型
第３１卷第５期２００６年１０月 昆明理工大学学报（理工版）ＪｏｕｒｎａｌｏｆＫｕｎｍｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ）Ｖｏｌ．３１ Ｎｏ．５ Ｏｃｔ．２００６
收稿日期：２００５－０６－２８．基金项目：教育部博士点基金项目（项目编号：２００３０２１３０３０）；哈尔滨工业大学校基金资助项
目（项目编号：ＨＩＴ．２００２．７６）
第一作者简介：李洪萍（１９７７～），女，讲师，博士研究生．主要研究方向：交通流理论、道路通行能力．
Ｅ－ｍａｉｌ：ｒｏｃｋｐｍ＠ｓｉｎａ．ｃｏｍ
基于混沌理论的交通流短时预测模型
李洪萍，裴玉龙
（哈尔滨工业大学交通科学与工程学院，黑龙江哈尔滨１５００９０）
摘要：交通流预测是交通系统可行性分析、交通设计和交通管控的基础，短时预测是交通流预测
的难点．论文在分析现有交通流预测方法的基础上，提出了一种基于混沌理论的交通流短时预测
方法，利用基于小数据量的Ｗｏｌｆ改进算法计算了流率序列的最大Ｌｙａｐｕｎｏｖ指数．将基于Ｌｙａ－ｐｕｎｏｖ指数的一维预测模式具体化，建立了交通流短时预测模型，并对模型进行了改进，改进后的预测结果具有较高的精度．该模型在智能交通系统（ＩＴＳ）的交通控制与诱导方面具有广阔的
应用前景．
关键词：交通流时间序列；混沌；Ｌｙａｐｕｎｏｖ指数；短时预测模型
中图分类号：Ｕ４９１文献标识码：Ａ文章编号：１００７－８５５Ｘ（２００６）０５－００９５－０５
ＡＣｈａｏｓＴｈｅｏｒｙ－ＢａｓｅｄＭｏｄｅｌｏｆＳｈｏｒｔ－ＴｉｍｅＦｏｒｅｃａｓｔｉｎｇｏｆＴｒａｆｆｉｃＦｌｏｗ
ＬＩＨｏｎｇ－ｐｉｎｇ，ＰＥＩＹｕ－ｌｏｎｇ
（ＳｃｈｏｏｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５００９０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｒａｆｆｉｃｆｌｏｗｆｏｒｅｃａｓｔｉｎｇｉｓｔｈｅｂａｓｉｓｏｆｆｅａｓｉｂｉｌｉｔｙａｎａｌｙｓｉｓｏｆｔｒａｆｆｉｃｓｙｓｔｅｍ，ｔｒａｆｆｉｃｄｅｓｉｇｎ，ｔｒａｆｆｉｃｍａｎ－ａｇｅｍｅｎｔａｎｄｃｏｎｔｒｏｌ，ｉｎｗｈｉｃｈｔｈｅｓｈｏｒｔ－ｔｉｍｅｆｏｒｅｃａｓｔｉｎｇｉｓｍｏｒｅｄｉｆｆｉｃｕｌｔ．Ｔｈｅｅｘｉｓｔｉｎｇｔｒａｆｆｉｃｆｏｒｅｃａｓｔｉｎｇｍｏｄ－ｅｌｓａｒｅａｎａｌｙｚｅｄ，ａｎｄａｎｅｗｓｈｏｒｔ－ｔｉｍｅｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｃｈａｏｓｔｈｅｏｒｙｉｓｄｅｖｅｌｏｐｅｄ．ＴｈｅＬａｒｇｅｓｔＬｙａ－ｐｕｎｏｖＥｘｐｏｎｅｎｔｏｆｆｌｏｗｒａｔｅｓｅｒｉｅｓｉｓｅｓｔｉｍａｔｅｄｗｉｔｈｔｈｅｉｍｐｒｏｖｅｄＷｏｌｆａｒｉｔｈｍｅｔｉｃｍｅｔｈｏｄｂａｓｅｄｏｎｓｍａｌｌｄａｔａｓｅｔｓ．Ａｓｈｏｒｔ－ｔｉｍｅｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｉｓｄｅｖｅｌｏｐｅｄｆｒｏｍｔｈｅｏｎｅ－ｄｉｍｅｎｓｉｏｎａｌｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｂａｓｅｄｏｎｔｈｅＬａｒｇｅｓｔＬｙａｐｕｎｏｖＥｘｐｏｎｅｎｔ．ＴｈｅｆｏｒｅｃａｓｔｉｎｇｐｒｅｃｉｓｉｏｎｏｆｔｈｅｉｍｐｒｏｖｅｄｍｏｄｅｌｉｓｒｅｌａｔｉｖｅｌｙｈｉｇｈａｎｄｔｈｅｍｏｄｅｌｈａｓａｗｉｄｅｐｏｔｅｎｔｉａｌｉｎｔｒａｆｆｉｃｃｏｎｔｒｏｌａｎｄｉｎｄｕｃｅｍｅｎｔｉｎＩＴＳｆｉｅｌｄ．Ｋｅｙｗｏｒｄｓ：ｔｒａｆｆｉｃｆｌｏｗｓｅｒｉｅｓ；ｃｈａｏｓ；ＬｙａｐｕｎｏｖＥｘｐｏｎｅｎｔ；ｓｈｏｒｔ－ｔｉｍｅｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌ
０引言
交通运输系统的目标确定、可行性分析、方案设计、方案评价与决策都需要了解系统整体或要素的未
来发展变化规律，这就需要借助于科学的预测技术和预测方法［１］．在公路网和城市道路网络规划、道路规
模确定及交通管理与控制中，预测均具有举足轻重的作用．
交通流参数预测属于时间序列预测范畴，即将观测值按照时间先后排列，进行分析并对未来趋势进行预测．交通流参数预测是进行交通管理与控制的前提，预测的精度直接影响到交通管控措施的效果．国内外学者对交通预测问题做了大量的研究和探讨，针对预测目的的不同，建立了多种模型与方法．
随着交通数据采集技术的发展，利用视频数据采集设备或车辆传感器已可以直接观测得到交通量、车速的时间序列，这些数据反映了交通系统在驾驶员、车辆、道路和环境的综合作用下发生的动态变化过程，
这种单一变量时间序列包含了十分丰富的混沌信息［２］，蕴藏着与交通流状态相关联的变量系统的变化痕
迹．本文利用视频数据采集系统获取的高速公路的交通流率数据，不直接考虑各种随机因素的影响，而是
０９昆明理工大学学报（理工版） 第３１卷
直接从流率序列入手，分析数据的混沌特性，计算最大Ｌｙａｐｕｎｏｖ指数并建立交通流短时预测模型．预测结果表明这种方法在最大可预测时间范围内（１／λ１），具有较高的精度．且该法计算简单，具有很强的实用性，在未来ＩＴＳ应用中的交通实时控制与交通诱导方面具有广阔的应用前景．
１交通流参数预测方法
常用的交通流预测方法有趋势外推法、移动平均法、指数平滑法、时间序列的分解方法、回归分析法等［１］．趋势外推法依据事物发展的惯性原理，用某种函数（直线、多项式、指数曲线、生长曲线、包络线等）拟合实测数据点，对预测对象的某一参数的发展趋势进行外推．移动平均法把原来时间序列的时距扩大，采用逐项推移的方法计算时序平均数，以消除原来序列时距较短受偶然因素影响而引起的波动，分为一次Ｎ元移动平均法、二次移动平均法和加权移动平均法．指数平滑法的原理与移动平均法的基本相同，利用对历史数据进行平滑来消除随机因素的影响，分为一次指数平滑法、二次指数平滑法和多次指数平滑法．时间序列的分解方法将观测值序列分解为季节性、趋势性、周期性、随机性几部分并修匀数据，除随机性外，其余分别预测，再组成一复合模型．这些方法适用于长期预测，如路段年平均日交通量（ＡＡＤＴ）的预测．
近年来，对交通流短时预测的需求日益增大，许多学者应用了其它领域中各种成熟的预测模型，取得了一定的效果，包括ＡＲＩＭＡ法［３］、Ｋａｌｍａｎ滤波法［４］、神经网络方法［５］、小波方法［６］等．文献［３］基于采用ＡＲＩＭＡ（ｐ，ｄ，０）模型结构的时间序列分析方法，提出一种短时交通流实时自适应预测算法，算法中采用带遗忘因子的递推最小二乘方法进行参数估计，采用基于线性最小方差预报原理的Ａｓｔｒｏｍ预报算法进行预报．文献［４］假设路段当前交通流量是相邻上、下游断面流量的线性函数，用状态方程和观测方程组成的状态空间模型描述滤波器，建立了基于Ｋａｌｍａｎ滤波理论的交通流预测模型．文献［５］针对人工神经网络良好的预测能力和传统神经网络的寻优速度慢、实时性差、推广能力低等缺点之间矛盾，提出一种基于线性独立函数的智能神经元模型，提高神经网络的信息处理能力，并将这种智能神经元组成的广义神经网络应用于交通流预测．文献［６］尝试将小波分析用于交通流短时预测，探讨了其可行性，提出了一种基于多分辨率小波分解与重构的交通流短时预测方法．这些方法理论基础比较成熟，都认为交通流系统外部的随机因素引起了系统的不确定性，在预测的过程中，要对这些随机因素进行统计假设，假设的合理性对模型精度有很大的影响．
基于混沌理论和相空间重构的预测方法，可以不直接考虑各种随机因素的影响，而是直接从实测时间序列入手，获取系统的混沌特性参数，进而进行预测．文献［７］从非线性时间序列预测角度入手，计算了延迟时间、嵌入维等交通流系统相空间重构参数，并给出了一种基于相空间重构理论的局部预测方法．
２时间序列的重构相空间
交通流状态变量的观测值Ｙ（Ｑ、Ｖ或Ｋ等）可以看成是某一时间变量的函数，即存在一维动力系统方程Ｙ＝ｆ（ｘ）．由于交通流系统的复杂性，特别是在同步流状态，系统具有明显的混沌特性，很难得到ｆ（ｘ）的简单、准确的表达式．传统的研究方法通过引入大量的假设条件将系统进行简化，得到ｆ（ｘ）的表达式，在实际应用中，参数标定的工作量较大且预测精度和预测有效时间难以掌握，特别是当预测时段较短的时候．
在时间序列的分析中，决定序列的可观测因素很多，而且动力学方程往往是非线性的，甚至是混沌的．同时由于测量精度的实际限制、计算的复杂性，以及可能存在的本质上的非确定性因素等多方面的困难，严重制约着人们对时间序列内在机制的理解．２０世纪８０年代以来，由于Ｔａｋｅｎｓ对Ｗｈｉｔｎｅｙ早期在拓扑学方面工作的发展，使得深入分析时间序列的背景和动力学机制成为可能．在确定性的基础上，对序列动力学因素进行分析，目前广泛采用的是延迟坐标状态空间重构法．
根据混沌理论，具有ｎ个状态变量ｘ１，ｘ２，…，ｘｎ的系统随时间变化的非线性动力方程为：
ｄｘｉ／ｄｔ＝ｆ（ｘ１，ｘ２，…，ｘｎ） ｉ＝１，２，…，ｎ（１）
对于时间序列ｘ１，ｘ２，ｘ３，…，ｘｉ，…，适当选定嵌入维数ｍ和时间延滞τ，重构相空间：Ｙ（ｔｉ）＝［ｘ（ｔｉ），ｘ（ｔｉ＋τ），ｘ（ｔｉ＋２τ），…，ｘ（ｔｉ＋（ｍ－１）τ）］ ｉ＝１，２，…
（２）Ｙ（ｔｉ）即为动力系统轨迹．按照Ｔａｋｅｎｓ定理，即可以找到一个合适的嵌入维，即如果延迟坐标的维数ｍ≥２ｄ＋１，ｄ是动力系统的维数，就可以在拓扑等价的意义下恢复吸引子的动力学特性［８］
．３由一维时间序列计算最大Ｌｙａｐｕｎｏｖ指数的方法
３．１Ｌｙａｐｕｎｏｖ指数
混沌运动的基本特点是运动对初值条件极为敏感．两个很靠近的初值所产生的轨道，随时间推移按指数方式分离，Ｌｙａｐｕｎｏｖ指数就是表示系统在多次迭代中平均每次迭代所引起的指数分离中的指数，与初始值的选取没有关系，文献［８］对此有清晰的解释．
对于一维动力系统ｘｎ＋１＝Ｆ（ｘｎ）中，原动力系统的Ｌｙａｐｕｎｏｖ指数为：
λ＝ｌｉｍｎ硳∞１ｎ钞ｎ－１
ｉ＝０ｌｎｄＦ（ｘ）ｄｘｘ＝ｘｉ
（３）
若λ＜０，则意味着相邻点最终要靠拢合并成一点，这对应于稳定的不动点和周期运动；若λ＞０，则意味着相邻点最终要分离，这对应于轨道的局部不稳定，如果轨道还有整体的稳定因素（如整体有界、耗散、存在捕捉区等），则在此作用下反复折叠并形成混沌吸引子．故λ＞０可作为系统混沌行为的一个判据．
对于一般ｎ维动力系统，定义Ｌｙａｐｕｎｏｖ指数如下：
设Ｆ是Ｒｎ硳Ｒｎ上的ｎ维映射，决定一个ｎ维离散动力系统ｘｎ＋１＝Ｆ（ｘｎ），将系统的初始条件取为一个
无穷小的ｎ维球，由于演变过程中的自然变形，球将变为椭球．将椭球的所有主轴按其长度顺序排列，那么第ｉ个Ｌｙａｐｕｎｏｖ指数根据第ｉ个主轴的长度Ｐｉ（ｎ）的增加速率定义为
σｉ＝ｌｉｍｎ硳∞１ｎｌｎＰｉ（ｎ）Ｐｉ（０）
，（ｉ＝１，２，…，ｎ）（４）将全部的Ｌｙａｐｕｎｏｖ指数谱按大小排列为：λ１≥λ２≥λ３≥…≥λｎ，其中最小的Ｌｙａｐｕｎｏｖ指数决定轨道收缩的快慢，最大的Ｌｙａｐｕｎｏｖ指数则决定轨道发散即覆盖整个吸引子的快慢，所有指数之和可以认为
大体上表征轨线总的平均发散快慢．３．２最大Ｌｙａｐｕｎｏｖ指数算法Ｌｙａｐｕｎｏｖ指数的数值计算方法有许多种，包括定义法、Ｗｏｌｆ方法、Ｊａｃｏｂｉａｎ方法、ｐ－范数方法等．其中，Ｗｏｌｆ方法和Ｊａｃｏｂｉａｎ方法是由单变量时间序列提取Ｌｙａｐｕｎｏｖ指数的较实用的方法，二者都是基于相空间重构的．Ｒｏｓｅｎｓｔｅｉｎ等人提出的在Ｗｏｌｆ方法基础上改进的由小数据量提取Ｌｙａｐｕｎｏｖ指数的算法对小
数据组比较可靠，且计算量小、易于应用［９］，计算流程见图１．笔者采用文献［９］中的算法，相空间中任意两
点的欧氏距离用公式（５）计算，利用ＶｉｓｕａｌＢａｓｉｃ编制程序．
Ｄｉｊ＝ｄ（ｙｉ，ｙｊ）
＝（ｘｉ１－ｘｊ１）２＋（ｘｉ２－ｘｊ２）２＋…＋（ｘｉｍ－ｘｊｍ）２１２（５）３．３流率时间序列的最大Ｌｙａｐｕｎｏｖ指数
论文采用的数据是利用ＡｕｔｏＳｃｏｐｅ视频数据采集系统获取的北京市西二环路流率数据，调查时段为７．５ｈ，双向６车道的平均流率为６７０３ｖｅｈ／ｈ，平均速度为４４．５ｋｍ／ｈ．绘制密度—流率散点图，将其与三相交通流理论的基本假设相比较，发现当时交通流系统处于同步流状态，通过功率谱和波形分析等方法判断系统具有混沌与分形特性，利用Ｇ－Ｐ算法得到关联维ｄ＝４．８０，对应的最小嵌入相空间维数为７．
将调查得到的单车数据按２分间隔进行统计，应用上述基于小数据量的Ｗｏｌｆ改进算法计算２分流率序列的最大Ｌｙａｐｕｎｏｖ指数（λ１），根据Ｔａｋｅｎｓ定理，ｍ≥２ｄ＋１，确定ｍ＝１１；计算不同Ｐ值下的λ１值，结果表明Ｐ＝４为临界值．为进一步考虑ｍ值对计算结果的影响，取定Ｐ＝４时，计算不同ｍ值下的λ１值．计算结果见表１，最后确定λ１＝０．０２１．λ１＞０，进一步表明系统是混沌的，并可以利用基于λ１的１
９第５期 李洪萍，裴玉龙：基于混沌理论的交通流短时预测模型
一维预测模式进行交通流特性参数的预测．而最小嵌入相空间维数为７，表明至少需要７个独立变量才能充分描述系统的演化特征，建立这样的模型是极其困难的，即使建成，模型的复杂性也不便于其应用．而基于λ１的预测模型则克服了这个困难．
表１ 流率序列的最大Ｌｙａｐｕｎｏｖ指数计算Ｔａｂ．１ ＴｈｅＬａｒｇｅｓｔＬｙａｐｕｎｏｖＥｘｐｏｎｅｎｔｓｏｆｆｌｏｗｒａｔｅｓｅｒｉｅｓ ｍ＝１１ Ｐ＝４ Ｐλ１
ｍλ１２０．０１９
７０．０２８３０．０２０
８０．０２５４
０．０２１９０．０２３５０．０２１１００．０２２６０．０２１１１０．０２１７０．０２１１２０．０２０４基于最大Ｌｙａｐｕｎｏｖ指数的预测模型
４．１基于最大Ｌｙａｐｕｎｏｖ指数的一维预测模式
设参考态为ＹＭ，它的最近邻态为ＹＮ，经过ｋ次演化后，
有［１０］： ２λ１?ｋ＝‖ＹＭ＋ｋ－ＹＮ＋ｋ‖‖ＹＭ－ＹＮ‖（６）其中只有点ＹＭ＋ｋ
的最后一个分量ｘ（ｔｎ＋１）未知，故ｘ（ｔｎ＋１）是可预报的．
４．２预测模型
相应于由小数据量计算最大Ｌｙａｐｕｎｏｖ指数的方法，建
立交通流短时预测模型：
⑴在Ｙｊ（ｊ＝１，２，…，ｎ－ｍ＋１）中寻找最大的下标值ｋ，Ｙｋ的最近邻点Ｙｋ＾的下标ｋ＾＜ｋ－Ｐ，且Ｙｋ与
Ｙｋ＾之间的距离（利用公式（５）计算）不等于零，即：
ｄｋ（０）＝ｍｉｎｋ
＾‖ＹＫ－Ｙｋ＾‖＞０，ｋ＾＜ｋ－Ｐ（７）⑵构造向量ｙｎ－ｍ＋２：｛ｘｎ－ｍ＋２，ｘｎ－ｍ＋３，…，ｘｎ，ｘｎ＋１｝，以Ｙｋ为基点，向量ＹｋＹｋ＾
向前经过ｎ－
ｍ＋２－ｋ次演化，到达Ｙｎ－ｍ＋２Ｙ硳ｋ＾＋ｎ－ｍ＋２－ｋ，此时有：
‖Ｙｎ－ｍ＋２－Ｙｋ‖＝‖Ｙｋ－Ｙｋ＾‖?ｅ（ｎ－ｍ＋２－ｋ）λ１＝ｄｋ（０）?ｅ（ｎ－ｍ＋２－ｋ）λ
１（８）
可以求出式中唯一的未知数ｘｎ＋１．
如果所求Ｙｋ使等式左端向量距离过大，以致不能找到满足条件的ｘｎ＋１时，需将此Ｙｋ过滤掉，重新计算寻找最大的下标值ｋ．
⑶将ｘｎ＋１视为已知，重复（１）、（２），计算得到ｘｎ＋２，依次类推以求出ｘｎ＋２，ｘｎ＋３，…．
当误差会超过允许范围，预测结束．５应用Ｌｙａｐｕｎｏｖ指数进行交通流率预测
将２分流率序列的前１００个值作为已知量，对后面的１２５个点进行预测．分别改变ｍ、λ１和Ｐ的值，经过大量数值实验，发现当ｍ＝１１，λ１＝０．
０２２，Ｐ＝６时，预测结果最好．５．１一次性预测
读入前１００个实测数据，运行一次程序，预测出后面的１２５个值，预测值与实测值的对比结果见
图２．通过误差计算与分析，发现预测初期的精度较高，随着预测次数的增加，误差稳步增大，然后开始出现不规则的起伏，但总体上是逐渐增大的．误差增大是长时间用预测值作为实测值进行后续预测，误差累计造成的．
而后期误差的正负波动是算法中，对不满足条件的Ｙｋ进行过滤造成的．５．２逐次预测
为消除一次性预测中，长时间利用预测值进行后续预测造成的误差，定时用实测值取代参与运
算的已经预测出的值来进行后续运算．这样在取代的同时，累计误差回到零点．不妨选用６ｍｉｎ进行一次替换，即一次运算只预测３个流率值，然后用实测的流率值取代这３个值，预测随后的３个值，依次类推．预测结果见图３．可以看出，同一次性预测相比，逐次预测的结果与实测值吻合得很好．进一步进行绝对误差分析，发现预测值总体上偏低，需要对上述预测模型进行改进．２９昆明理工大学学报（理工版） 第３１卷
５．３模型的改进
根据误差分析结果，在原预测值的基础上增加一常数项（２６．６７），对模型进行改进．分析模型改进后的预测绝对误差，发现改进后的模型预测值的绝对误差的波形与噪声的波形相似，毋庸置疑，其中很大一部分是原始数据自身的噪声引起的，因为此前对实测数据没有进行任何去噪处理．为此，利用Ｍａｔｌａｂ软件中的滤波函数对误差数据进行处理．分析滤波后的相对误差（图４），预测前期相对误差基本控制在±８％的范围内，在预测的后期（约１００次以后），连续出现较大的相对误差，说明已达到最大可预测的时间尺度了．５．４最大可预测的时间尺度
通常认为轨线分离到原间距的数倍或十几倍，轨道就不确定了．由此可以确定混沌运动可预测的最大
时间尺度为１／λ１［８］．λ１越大，蝴蝶效应越强，运动的可预测性越差．
利用前面计算得到的λ１值，得到最大可预测时间为４５．
４５，即最多可预测４５个点（９０ｍｉｎ）．改进后的模型的计算结果表明最大可预测时间远远超过了该值，进一步说明方法的可行性和模型的可靠性．６结论
采用基于小数据量的Ｗｏｌｆ改进算法计算了同步流状态下流率序列的最大Ｌｙａｐｕｎｏｖ指数，通过理论分析与试算找到参数值：ｍ＝１１、Ｐ＝４，得到最大Ｌｙａｐｕｎｏｖ指数λ１＝０．０２１．λ１＞
０进一步验证了交通流系统是混沌系统．将基于最大Ｌｙａｐｕｎｏｖ指数的一维预测模式具体化，建立交通流短时预测模型．该法基于观测数据的时间序列客观存在的内在混沌特性进行的，避免了以往预测方法中主观确定因素的影响，文中采用及时更新数据进行后续预测、增加常数修正项等方法提高模型的预测精度和可预报时间，最后通过对误差进行滤波处理以消除原始数据中的高频成分．模型的预测精度基本在±８％范围内，可预测时间也较长．
论文是将混沌预测模型应用于交通流短时预测的尝试，模型就短时段、混沌的交通流特性参数预测取得较好的预测结果，但就下述问题还有待于深入研究：
（下转第１０５页）３９第５期 李洪萍，裴玉龙：基于混沌理论的交通流短时预测模型
关于解决城市交通堵塞问题的数学模型的探究
城市交通拥阻的分析与治理 摘要 随着经济的高速发展和城市化进程的加快，机动车拥有量急剧增加。城市道路交通拥堵问题成为困扰世界各大城市的主要社会问题之一，严重影响着城市的可持续发展和人们的日常工作与生活。快速、准确地发现路网中发生的交通拥堵，并估计出拥挤在未来一段时间内的扩散范围和持续时间，对于制定合理有效的交通拥挤疏导策略具有重要意义。 本文通过调查洛阳市中州中路与定鼎路交叉口车流量与红绿灯的设置等情况，发现此路口南北方向的车辆主要是由关林与洛阳站方向的往返车辆，东西方向的车辆主要是由中央百货大楼与老城方向的往返车辆，且南北方向的车流量大于东西方向的车流量。 模型一，通过我们的调查发现，造成此路口交通拥堵的原因之一是黄灯时间较短，黄灯时间只有3秒，这样会造成有些车辆因来不及停车而越过十字路口的停车线, 又由于红灯亮了而过不了路口, 故而造成交通混乱。针对此问题，我们在力学与动力学原理的基础上，提出一种调整黄灯时间的模型，利用微分方程列出黄灯时间的求解公式，并计算出黄灯闪亮的最佳时间为7秒。 模型二，道路的增长速度跟不上车辆增长速度，这就导致了车辆静止平均密度逐年增大，结果花费了大量人力物力财力修路架桥，但换来的不是交通顺畅，而是越来越严重的交通拥挤。针对此现象，我们以交通工具为研究对象，运用线性规划方法并结合LINGO软件，得出人们出行选用自行车和大型机动车有利于缓解当前交通拥堵现象。 模型三，为了使交通部门有充分的时间来预防交通拥堵，应该在交通流高峰到来之前做出预测, 进而采取及时的措施并通过交通控制系统削减交通流高峰、避免拥堵的发生，我们采用径向基函数预测功能的神经网络[5],对十字路口的车流量进行实时预测，应用MATLAB软件编程[4]预测出交通高峰期可能通过每个路口的车流量，从而可以给交通部门提供数据，让他们有更充分的时间预防交通拥堵的发生。 关键词：微分方程;线性规划;神经网络; LINGO; MATLAB
基于神经网络的交通流预测研究
河北工业大学 硕士学位论文 基于神经网络的交通流预测研究 姓名：彭进 申请学位级别：硕士 专业：模式识别与智能系统 指导教师：赵晓安 20081101
河北工业大学硕士学位论文 基于神经网络的交通流预测研究 摘要 作为智能交通系统的核心内容之一，智能交通控制与诱导系统一直是智能交通研究的热门课题。城市交通流控制与诱导系统的实现将有效地减少交通拥挤和城市环境污染，提高道路通行能力和改善交通安全状况。而实时、准确的交通流量预测正是这些系统实现的前提及关键，交通流量预测结果的好坏直接关系到交通控制与诱导的效果。交通控制与诱导系统需要在做出控制(诱导)变量决策的时刻对下一决策时刻乃至以后若干时刻的交通流量做出实时预测。 目前，我国普遍采用遥感微波检测器或环形线圈检测器检测实时交通流量。但是，对于一个完善的交通流诱导系统而言，采用实时检测设备检测的交通流信息具有滞后性。因此，实现城市交通流诱导系统的关键是道路交通状况的预测，也就是采用相应的技术，以有效地利用实时交通数据信息滚动预测未来一段时间内的交通状况。根据预测的交通流信息实现交通流的诱导，以避免交通拥挤，实现交通的畅通。 本文主要研究人工神经网络在实时交通流预测中的应用。在应用人工神经网络预测交通流量方面提出了有效的途径。本论文的主要研究工作为： (1)介绍了交通流预测系统基本概念及理论框架，并提出了路段短时交通流预测 模型； (2)利用BP神经网络的优势，提出了一种改进型BP网络算法。实验结果表明 该算法在路段短时交通流预测方面有着优良的效果； (3)结合递归Elman网络和BP网络的优点，提出了一种综合型交通流预测算法。 该算法具有较强的非线性函数逼近能力和学习能力，为路段短时交通流预测 提供了一种有效的途径。 关键词: 交通流，人工神经网络，BP网络，Elman网络，预测 i
交通流预测方法
交通流预测方法 随着社会经济和交通运输业的不断发展，交通拥挤等交通问题越来越凸现出来，成了全球共同关注的问题。那么对于交通流的预测不仅是城市交通控制与诱导的基础，还是解决道路拥堵问题的关键。如果能精确的预测交通网中各个支路上的汽车流量，那么我们可以运用规划方法对交通流进行合理的优化，从而使得道路的利用率达到最大，也可以解决部分拥堵问题。在新建道路的前期也需要对兴建道路的车流量进行一个长期的交通预测，从而对道路的经济效益进行评估，对论证道路修建的可行性研究提供依据。由此可见，对交通流的预测是必要的，在本课题中我对四公里立交车流作一个最优函数估计，旨在对四公里立交的车流进行精确预测。 交通流理论是研究交通随时间和空间变化规律的模型和方法体系。多年来交通流理论有了较快的发展，众多学者在这一研究方向做出了许多优秀的成果，将交通流理论运用于交通运输工程的许多研究领域，如交通规划、交通控制、道路与交通设施设计等。 预测方法从大体上可分为定性预测与定量预测。定性预测中主要有相关类比法、德尔菲法等；定性预测则分为因果分析、趋势分析智能模型。因果分析主要方法有线性回归、非线性回归等模型；趋势分析主要有时间序列模型、趋势回归模型等；智能模型主要包括神经网络模型和非参数回归模型。 短期交通流的预测方法较早期的有：自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、历史平均模型（HA）和Box-Cox法等，随着该领域的发展，预测方法不断趋于精确，在大批学者的共同努力下出现了许多更加复杂、精度更高的预测模型。大体来说可分为两类：一类是以数理统计和微积分等传统的数学方法为基础的预测模型，主要包括：时间序列模型、卡尔曼滤波模型、参数回归模型等；第二类是以现代科学技术和方法（如模拟技术、神经网络、模拟技术）为主要研究手段而形成的短期预测模型，该种方法不追求严格意义上的数学推导和明确的物理意义，更加重视与现实交通流量的拟合接近程度，该种方法主要包括非参数回归模型、KARIMA算法、基于小波理论的方法、谱分析和多种与神经网络相关的复合预测模型等。现阶段广泛应用的主要有以下四种模型。 历史平均模型Stepehanedes于1981年将此方法应用于城市交通控制系统中。其特点有算法简单，参数可用最小二乘法进行估计，操作简单，速度快，但其由于它是一种静态的预测方法，不能反映动态交通流基本的不确定性和非线性性，无法克服随即干扰因素的影响。 时间序列-ARIMA模型由Ahmed和Cook于1979年首次在交通领域提出。在大量连续数据的基础上，此模型没有较好的预测精度，但需要复杂的参数估计，且其对历史数据的依赖性较高，成本较高。该方法技术比较成熟，特别适用于稳定的交通流。该模型只是单纯从时间序列分析的角度进行预测，没有考虑上下游路段之间的流量关系。 神经网络模型人工神经网络诞生于20世纪40年代，Schin 于1992年用之于长期的交通预测，1993年1994年Dougherty 和Clark 分别将其应用于短期交通预测。该方法在一定程度上摆脱了建立精确数学模型的困扰，为研究工作开辟了新的思路。应用较广泛的有BP神经网络-误差反传神经网络模型、单元神经网络模型、基于谱分析的神经网络模型、高阶神经网络模型和模糊神经网络模型等方法 非参数回归模型，由Davis和Smith于1991年应用到交通预测领域，该预测方法是一种适合不确定性、非线性的动态系统的非参数建模方法。无需先验知识，只需足够的历史数据。 鉴于道路交通系统的非线性、复杂性和不确定性等特征，许多无模型的预测方法被应用到短期的交通流预测当中，且取得了良好的效果，研究发现，考虑上下游道路流量的关系的预测方法更能反映实际情况，比起单纯的时间序列预测方法更加贴合实际，有更大的发展空间。
交通预测模型【对各种交通流预测模型的简要分析】
交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。
几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，
短时交通流预测研究综述
短时交通流预测研究综述 摘要：道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础。本文概述了道路交通流预测方法的发展历程,分析比较了各预测模型的优点、缺点及适用情况,给出了道路交通预测的一般流程。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于检测器优化选择的短时交通流预测算法的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;以预测的均方误差最小为目标函数，通过遗传算法优化选择合适的检测器，以小波神经网络作为预测算法进行短时交通流预测具有很高的精度和适用性。 关键词：交通工程；交通流理论；短时交通流；预测模型;神经网络算法 Research on Short-Time Traffic Flow Forecasting Methods LIU Jia-tong (1. Department of Bridge Engineering, School of Highway, Chang’an Unversity) Abstract:Prediction of road traffic flow is one of the key technologies of intelligent transportation system. This paper summarizes the development of road traffic flow forecasting methods, analyzes and compares the advantages, disadvantages and application of each forecasting model. The existing prediction methods are classified based on the method of statistical analysis: Based on the theory and methods of nonlinear theory and traffic detector based on the optimal selection of flow prediction algorithm based on prediction method and neural network method. The prediction effect of comprehensive prediction model of artificial neural network model and other fields combined than single neural network prediction model and the conventional prediction; to minimize the mean squared error as the objective function, the genetic algorithm to choose the appropriate detector with the wavelet neural network as prediction algorithm of short term traffic flow forecasting high precision and applicability. Keywords:Transportation Engineering; Traffic Flow Theory; Short-termTraffic Flow; Prediction Model; Neural Network Algorithm
城市道路交通流预测
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
3-交通量分析及预测(新)
第三章交通量分析及预测 交通量分析和预测是公路建设项目前期工作的重要内容，本章首先在交通量观测及其他交通调查的基础上，分析本项目相关线路及其影响区域的公路交通发展水平和特征，然后结合社会、经济、技术调查与分析，使用公路可行性研究通用的预测技术和方法，分析预测远景年交通量发展规模和水平，为确定本项目的技术等级、工程设施标准规模和经济评价等提供重要的依据。 3.1公路交通调查与分析 本项目采用交通量观测为交通调查方法。 3.1.1 调查综述 调查的目的、方法及内容： 公路交通调查是公路项目可行性研究的重要环节，为全面了解项目所在地区公路交通量的特性和构成，掌握公路交通流量流向、车辆构成、货物种类等资料，为未来拟建公路交通量预测提供基础数据，本项目公路交通调查主要包括相关公路观测交通量、汽车保有量、交通事故等方面内容，调查范围主要是针对拟改建项目所属区域及沿线所经区域进行调查。 3.1.2 调查资料的分析 1.历年相关公路交通量 表3-1 正镶白旗杨白音敖包嘎查测站历年交通量
2.交通量观测调查车辆构成分析 通过资料整理，可以得到各调查点断面交通量情况。详见下表。 3.2 预测思路与方法 3.2.1预测思路 交通量预测是公路建设项目可行性研究的重要内容之一，是确定项目技术等级、建设规模及标准的依据，也是项目经济评价的基础。 根据研究项目白旗伊克淖苏木白音敖包嘎查至乌兰胡吉尔浩特至陶苏图浩特公路周边地区的公路项目，路段历史交通量能反映该路段上交通量的发展趋势。因此，可以利用周围路段的历史交通量用基于运输通道的交通量预测法来进行预测。基于运输通道的交通量预测法的大致思路如下： （1）获取项目所在运输通道内各条道路的历史交通量； （2）根据运输通道历史交通量找出其发展趋势，运用相关趋势模型求出运输通道交通量的增长率，并计算出运输通道未来年总交通量； （3）根据项目运输通道内各条道路的历史交通量发展趋势，结合相关各条道路在未来年的等级、车道数和通行能力等因素，采用Lgoti概率模型来确定未来年各条道路在运输通道内所分担的交通量比例，最后计算出本项目未来年的交通量。 3.2.2 交通量预测方法及步骤 该项目为正镶白旗明安图镇三面井嘎查敦廷高勒浩特至白生图浩特公路，是白旗通往外界的重要通道之一，由于公路交通是白旗唯一交通方式，因此本项目具有重要的地位和作用。通过对正镶白旗明安图镇三面井嘎查敦廷高勒浩特至白生图浩特公路线上的观测点交通量调查分析得出，现有道路的交通量比较大，由于省道的服务水平、道路路况等影响，在未来年单一的通道已经无法满足交通量的需求。 交通量预测：主要是在现状交通量观测调查的基础上，依据项目区未来年经济发展及项目所属通道运输方式发展趋势，测算公路通道的运输量，利用合理的预测方法进行
改进GA优化BP神经网络的短时交通流预测
第３８卷第１期 ２０１５年１月合肥工业大学学报（自然科学版）JOURNAL OF HEFEI UNIVERSITY OF T ECHNOLOGY Vol ．３８No ．１ Jan ．２０１５ 收稿日期：２０１４‐０１‐０３；修回日期：２０１４‐０８‐１０ 基金项目：国家自然科学基金重点资助项目（７１２３１００４） 作者简介：卢建中（１９８６－），男，安徽庐江人，合肥工业大学硕士生； 程 浩（１９７９－），男，安徽桐城人，博士，合肥工业大学讲师．doi ：１０．３９６９／j ．issn ．１００３‐５０６０．２０１５．０１．０２７ 改进G A 优化B P 神经网络的短时交通流预测 卢建中， 程 浩 （合肥工业大学管理学院，安徽合肥 ２３０００９） 摘 要：为了提高BP 神经网络预测模型对短时交通流的预测准确性，文章提出了一种基于改进遗传算法优化BP 神经网络的短时交通流预测方法。由于模拟退火算法具有较强的局部搜索能力，能够在搜索过程中避免陷入局部最优解，因此引入模拟退火算法中的Metropolis 接受准则来增加遗传算法的局部搜索能力，避免了遗传算法过早收敛和陷入局部最优解。通过改进的遗传算法优化BP 神经网络的权值和阈值，然后训练BP 神经网络预测模型以求得最优解。仿真结果表明，该方法对短时交通流预测具有较好的预测精确性。关键词：交通流预测；BP 神经网络；遗传算法；模拟退火算法；Metropolis 接受准则 中图分类号：T P １８３；U ４９１ 文献标识码：A 文章编号：１００３‐５０６０（２０１５）０１‐０１２７‐０５ Short ‐term traffic flow forecast based on modified GA optimized BP neural network LU Jian ‐zhong ， CHENG Hao （School of M anagement ，Hefei U niversity of T echnology ，Hefei ２３０００９，China ）Abstract ：In order to improve the accuracy of short ‐term traffic flow forecast based on BP neural net ‐work prediction model ，a forecast method based on modified genetic algorithm （GA ）optimized BP neural network is proposed ．Because the simulated annealing （SA ）algorithm has strong local search ‐ing capability and can avoid getting into limited optimum solution in the searching process ，the M e ‐tropolis acceptance criteria in the SA algorithm is introduced to GA ，w hich effectively overcomes pre ‐mature convergence and getting into limited optimum solution ．T he modified genetic algorithm is used to optimize BP neural network ’s weights and thresholds ，then the BP neural network model is trained to obtain the optimal solution ．T he simulation results show that this method is accurate in short ‐term traffic flow forecast ．Key words ：traffic flow forecast ；BP neural network ；g enetic algorithm （GA ）；simulated annealing （SA ）algorithm ；M etropolis acceptance criteria 物联网被认为是继计算机、互联网与移动通 信之后的世界信息产业的又一次浪潮，而车联网 是物联网应用于智能交通领域的集中体现，也是 物联网的一个重点领域。车联网可以实现车与人 之间、车与车之间、车与基础设施之间信息通讯的 交换，但是组建车联网过程中还有一些关键的技 术问题需要研究，如RFID 技术、车联网新协议研发、智能交通等。其中智能交通是国内外学者研究的热点，而实时准确的交通流预测是智能交通的前提和关键。根据交通流预测的时间可以将交通流划分为短时交通流、中期和长期交通流，而短时交通流预测的实时性最强、反映最为快捷，因此实际应用也最为广泛。国内外学者针对短时交通流预测建立
浅谈公路四阶段交通量预测思路
浅谈公路四阶段交通量预测思路 浅谈公路四阶段交通量预测思路 丁伟赵新华 （江西省交通设计院南昌330002） 摘要：四阶段交通量预测，在分析项目区域社会经济、交通运输现状的基础上，选择恰当的经 济指标，预测其发展趋势，并通过对交通与经济的弹性分析，预测交通的发展趋势，从而预测 项目区域未来各小区的趋势和诱增的交通出行集中与发生量，得到未来特征年的出行分布OD表； 在充分考虑预测期内项目区域交通路网或其它运输方式对交通量的分流影响，通过交通量分配， 最终获得拟建公路项目预测交通量。 关键词：交通工程；四阶段；经济；OD；弹性系数；集中；发生；分布；分配 前言 公路远景交通需求量的预测，是公路交通规划的基础，是公路工程可行性研究的核心内容。交通量预测的方法可以分成两大类：一是个别预测法，二是以出行起讫点为基础的四阶段预测法。前者主要以单个运输行为为研究对象，根据老路交通状况的历史资料，运用统计分析技术，预测老路的远景交通量，此方法预测过程较简单，没有考虑综合运输网络和运输方式的分担，预测的精确性不高，此法在我国九十年代以前采用多。后者从交通需求出发，考虑了交通的发生、吸引，交通量的分布，交通方式划分以及交通量的分配；五六十年代，英、美等发达国家对这种技术进行了深入的研究，后来日本人在运用研究中，把它称作为四阶段推定法；作为当今最为完善的交通需求预测理论体系，在我国，首次在沪宁高速公路采用后，后来逐步得到运用推广。笔者就自己对四阶段预测法理论的理解，并结合可行性研究中的运用体会，浅谈公路四阶段交通量预测思路。 1总体思路与方法 交通量增长是与经济发展密切相关的，交通量是由于人的社会经济活动对交通的需求而产生的，一方面经济发展带动交通需求的增长，将产生新增交通量，同时又促进交通基础设施的建设，改善交通条件；另一方面由于交通条件的改善，导致降低运输成本和节约在途时间，人的社会经济活动因此变得更便利更频繁，将
短时交通流预测方法综述_高慧
第22卷第1期2008年1月 济南大学学报(自然科学版) J OURNAL OF UN I VERSITY O F JI NAN (Sc.i &T ech ) Vo.l 22 No .1 Jan.2008 文章编号:1671-3559(2008)01-0088-07 收稿日期:2007-05-21 基金项目:国家自然科学基金(60674062);济南大学博士基金 (B0608);济南大学科研基金(Y0601)。 作者简介:高 慧(1982-),女,山东德州人,硕士生;赵建玉 (1966-),女,山东临沂人,副教授,硕士生导师。 短时交通流预测方法综述 高 慧1 ,赵建玉1 ,贾 磊 2 (1.济南大学控制科学与工程学院,山东济南250022;2.山东大学控制科学与工程学院,山东济南250061) 摘 要:以交通流预测研究的步骤为主线,对短时交通流预测的方法进行研究。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于新兴技术的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;基于非线性理论的预测方法有较好的发展前景。 关键词:智能交通;数据采集;数据预处理;交通流预测中图分类号:U 491.112 文献标识码:A 交通系统 [1] 是支持社会经济发展的基础设施 和 循环系统 ,在社会经济系统中占有重要的地位。交通问题解决的好与坏,直接影响着国民经济 的发展与人民生活质量的提高。当今世界各国的大城市无不存在着交通拥挤问题。交通问题在一定程度上已经成为制约经济、社会稳定发展的 瓶颈 问题。然而有限的土地和经济制约等使得道路建设不可能达到相对满意的里程数,所以就需要在不扩张路网规模的前提下,综合运用现代信息与通讯技术等手段来提高交通运输的效率,以提高交通路网的通行能力。于是,运用各种高新技术系统地解决道路交通问题的思想就应运而生了,这就是智能交通系统I TS(intelligent transport syste m ) [2-3] 。 交通控制与诱导系统是I T S 研究的热门核心课 题,而实现交通流诱导系统的关键问题是实时准确的交通流量预测,即如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况。其结果可以直接送到先进的交通信息系统(ATIS)和先进的交通管理系统(ATM S)当中,给出行者提供实时有效的信息,帮助他们更好地进行路径选择,实现路 径诱导,以缩减出行时间,减少交通拥挤。这种预测称为短期预测(short-ter m forecasting),它是微观意义上的,与中观和宏观意义上的以小时、天、月甚至 是年计算的基于交通规划的战略预测(strateg ic fore -casting)是有本质区别的 [4-5] 。 1 数据采集 最初的交通参数信息采集方法都是非自动的人工采集方法,包括人工观测法和摄影法等。自20世纪30年代美国研制出 声控 式感应式交通信号控制机以来,交通量检测器技术得到了迅速发展,特别是近20年来出现了大量的新型交通量检测器。交通量检测器的种类很多,主要有:环形线圈检测器,超声波检测器,磁感应式检测器,光辐射式检测器,雷达检测器,视频检测器等。目前应用较多的是环形线圈检测器、超声波检测器和视频检测器。1.1 环形线圈检测器方法 环形线圈检测器 [6] 出现于20世纪60年代,是 目前交通控制中应用最广的交通量检测器。该检测器是一种基于电磁感应原理的车辆检测器,它的传感器是一个埋设在路面下、通有一定交变电流的环 形线圈。当车辆通过线圈或停在线圈上时,车辆引起线圈回路电感量的变化,检测器可检测出该变化,基于此原理采集交通量。1.2 超声波检测器方法 超声波检测器 [1] 是通过接收由超声波探头发 出并经过车辆反射的超声波来检测车辆的。超声波检测器的工作原理可分为两种:传播时间差法和多普勒法。 传播时间差法,超声波检测器的探头向路面发射超声波然后接受其反射波,当有车辆时,超声波会经车辆反射提前返回。多普勒法,超声波探头向空间发射超声波同时接收信号,如果有移动物体,那么接收到的反射波信号就会呈现多普勒效应。
公路交通拥堵现象的建模与分析
龙源期刊网 https://www.sodocs.net/doc/86771441.html, 公路交通拥堵现象的建模与分析 作者：陆睿得 来源：《科学家》2017年第11期 摘要公路交通的便利程度直接影响着社会经济的发展步伐，随着我国汽车保有量的增加，道路交通的拥堵问题日益严重。通过对交通拥堵现象的观察，本文对该问题进行了理论建模。相对于经典的模型，该理论模型的计算结果更加符合人们的日常经验。此外，我们还分析了车祸等因素对交通的影响，并根据计算结果提出了几种解决拥堵现象的可能方案。 关键词道路；拥堵；车流量；车祸 中图分类号 U4 文献标识码 A 文章编号 2095-6363（2017）11-0023-02 “要致富，先修路”的顺口溜说明了一个朴素的道理：公路交通的便利可以降低运输成本，促进不同地区之间的合作交流，吸引外来投资，并促进社会经济健康发展。近些年来，国家对于公路建设的重视程度不断提高，在高速公路建设方面尤为突出，比如，2016年全国新增高 速公路里程达到4 500千米，相当于北京到上海距离的3.7倍。 伴随着城市化进程的加快，城市人口的暴增引发了严重的交通问题。资料显示，我国市区的汽车行驶平均速度已经从60年代的25km/h～30km/h下降到了现在的10km/h～15km/h[1]。交通的拥堵不仅增加了人们出行的成本，制约了社会发展的步伐，降低了道路建设的效用，更带来了巨额的经济损失。只有深刻理解道路拥堵问题产生的原因，我们才能对症下药，提出合理的解决对策。因此，建立有效描述道路拥堵现象的理论模型是非常必要的。 通过观察车辆在道路上的运行规律，本文建立了道路拥堵的理论模型，并用该模型的结果与前人的经典理论进行了比对。基于本文的理论模型，还进一步分析了影响车流量的因素，提出了几种降低道路拥堵的可能方案。 1 拥堵现象的理论建模 为了描述道路拥堵现象，我们需要考虑总车流量Q，平均车流速度v和车流密度K这几个量之间的关系。根据车流现象的物理过程，我们有： （1） 当道路拥堵（即车流密度较大）时，车流速度v较慢；反之当道路车辆较少（即车流密度较小）时，车速较快。描述该现象的一个经典理论模型为Greenshield模型[2-3]，它假设车流密度K与车流速度v之间存在线性关系，且当道路上车流密度K最大时，车行速度v为0。如图 1（a）所示，该关系可写为：
交通流预测模型综述
交通流预测模型综述 摘要： 随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。为了缓解交通压力，交通专家也提出了各种不同的方法。在交通网络越来越复杂的今天，交通流预测在智能交通系统中是个热门的研究领域，因为正确的交通流预测，可以进行实时交通信号控制，交通分配、路径诱导、自动导航，事故检测等。本文从交通流短期预测模型出发，分析常见预测模型的优缺点，得出综合模型进行预测将是交通流预测领域的发展趋势。 关键字：交通流预测，智能交通系统，综合模型 Traffic flow predictive models review Abstract: With the development of society, traffic accidents, traffic jams, environmental pollution and energy consumption problems become more and more serious. In order to alleviate traffic pressure, traffic experts also puts forward all kinds of different methods. In the traffic network is more and more complex today, traffic flow predictive in intelligent transportation system is a hot research fields, because the correct traffic flow predictive, can real-time traffic signal control, traffic distribution, route guidance, automatic navigation, accident detection, etc. This article from short-term prediction model of traffic flow, analyzes the advantages and disadvantages of common prediction model, it is concluded that predict comprehensive model will be traffic flow predictive areas of development trend. Keywords:Traffic flow predictive, Intelligent transportation system, integrated model 引言 目前，有关交通流预测方面的研究已取得大量的成果，建立了多种实时交通量预测的方法，其预测精度也达到了较高水平。本文先是通过研究分析不同交通流短期预测模型的优缺点，然后对具有优势的基于神经网络的综合模型进行模型的构建。 一、交通流预测概述 （一）交通流预测的必要性 随着人们生活水平的提高，私家车的数量、人们出行的次数等越来越多，使得交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。很多城市也陷入了“拥有最宽阔的马路，也拥有最宽阔的…停车场?”的困境，严重影响了城市的运转效率，客观上阻碍了社会、经济的快速发展。多年来，世界各国的城市交通专家提出各种不同的方法，试图通过先进的智能交通手段来缓解交通拥堵问题。而实现这些系统或方法的关键，不仅要有实时的道路检测数据，更重要的是，要获得实时、可靠、准确的预测信息。再利用动态路径诱导和交通信息系统为出行者提供实时有效的道路信息，实现动态路径诱导，达到节约出行者旅行时间，缓解道路拥堵，减少污染、节省能源等的目的。因此，准确、可靠的交通预测信息是动态路径诱导系统的基础和关键。
基于LVQ神经网络的交通拥堵预测研究 沈小军
基于L V Q神经网络 的交通拥堵预测研究 沈小军陈 峻王 晨 东南大学，交通学院，南京 210096 摘 要：面对大量的交通参数数据，如何快速建立高效的分类预测模型以尽快地对拥堵状态进行判别是一个重要的问题。本文利用检测器提供的车速、流量和占有率等相关参数信息，提出了基于学习向量量化(LVQ)神经网络的交通拥堵预测模型。通过使用Matlab7.3数学软件的神经网络工具箱对该神经网络不断地训练，最终可以对道路正常状态和拥堵状态进行分类，通过交通流参数数据的输入预测出路段交通拥堵状况。最后，给出算例进行网络训练和测试，训练结果表明，运用该算法进行交通拥堵预测取得了良好的效果，具有一定的现实意义。 关键词：学习向量量化神经网络；交通拥堵；预测；Matlab 中图分类号：U491.2+65 文献标识码：A 文章编号：1672-4747（2009）03-0097-06 Prediction of Traffic Congestion Based on L VQ Neural Network SHEN Xiao-Jun CHEN Jun WANG Chen School of Transportation，Southeast University， Nanjing 210096，China Abstract：For a large number of traffic parameter data, it is an important issue that how to set up an efficient model of classification and prediction to identify the congestion state as soon as possible. The article provided a model to predict traffic congestion based on the learning vector quantization neural network by using the traffic parameters such 收稿日期：2008-11-26. 基金项目：“十一五”国家科技支撑计划（2006BAJ18B01）和国家高技术研究发展计划（2008AA11Z201）。 作者简介：沈小军（1985?），男，江苏海门人，东南大学交通学院硕士研究生，研究方向为交通规划与管理。 97
多分类器组合的交通拥堵预测模型研究_李春英
0引言 交通拥堵是交通拥挤和交通堵塞的统称，目前各国用来衡量交通拥堵的参数主要有拥堵时间、排队长度、车速等。中国公安部则对拥堵路段给出了定义：车辆在车行道上受阻且排队长度超过l km 的状态。美国诺贝尔奖获得者Gary S.Becker 曾做过一个测算，全球每年因交通拥堵造成的损失占GDP 的2.5%[1]，造成巨大的资源浪费。在中国由于汽车保有量的急剧上升，这种趋势还在增加。对于交通拥堵的治理，应该尽量做到事前处理，即当道路的交通状态出现轻度拥挤现象时，能够通过拥堵预测系统分析出短时间内的交通状态变化趋势，然后利用GPS 信息平台、广播等发出预警，诱导车辆进行合理分配行驶、加强秩序管理，来避免拥堵或缓解拥堵程度。国内外大多数文献对于交通拥堵识别预测方法，主要有人工判别法、模糊理论、模式识别、神经网络等技术，不过单独利用其中一种方法进行交通拥堵的判别，其准确率及可靠性难以保证[2]。 并且多数文献中主要利用交通流信息来预测交通拥堵，利用交通流检测信息及环境信息多源组合来进行城市交通拥堵判别的文献较少。文中充分考虑各种环境因素的基础上采用多分类器组合的方法来保证模型的稳定性，为提高预测的准确程度，采用了Bagging 类算法形成单分类器的训练集，然后通过简单多数投票法对城市道路的交通状态进行集成决策。实验数据表明，多分类器组合的模型在城市道路拥堵预测方面是可行的，可以提高BP 神经网络的泛化能力和获得更高的识别率，能够为交通拥堵预警及诱导系统提供数据上的支持。 1输入数据处理分析 现实中一些环境因素对于城市道路交通状态的影响是非 常重要的，比如暴雨经常容易造成交通瘫痪，上、下班的高峰时段容易造成道路拥挤，另外节假日和一些市政施工等也会造成道路拥挤。因此本文对于交通状态预测模型的输入数据主要有两部分组成：一类是环境因素，对于环境因素的处理涉 收稿日期：2010-05-20；修订日期：2010-07-22。 智能技术
第03章-交通量分析与预测
第三章交通量预测 3.1 交通量预测思路及方法 3.1.1 概述 本项目作为省道S202的一段，本段路线起点位于涡阳县石弓镇与淮北交界处，原S202桩号为K78+650，经涡阳县石弓镇、龙山镇，于K104+500进入涡阳县城区规划外环线、于K126+000与原S202重合，后经楚店镇、利辛县张村镇、汝集镇、王人镇，终点在王人镇与阜阳交界处，路线总体呈南北走向，本项目不仅是沟通淮北市、阜阳市及亳州沿线地区纵向联系的经济干线公路，同时也是河南、山东等省南下的重要干线公路。项目的建设对加快涡阳县城镇体系建设、经济发展布局、加强亳州市内部各县市和周边地区的联系发挥着极其重要的作用。 亳州市是安徽省省辖市，位于皖西北边陲，黄淮平原南端，西北与河南省接壤，西南与阜阳市毗连，东与淮北市、蚌埠市相倚，东南与淮南市为邻。亳州市是皖北地区的老工业基地，拥有机械制造、酿酒、卷烟、医药、纺织、食品、化工、建筑建材、印刷等十几大门类。亳州市是全国重要的药材、商品粮、优质棉、优质烟、优质茧生产基地，拥有药材、酿酒、果蔬、烤烟、畜禽、蚕桑等资源和经济优势，地方名特优产品较多。从商城王建都开始，是一座具有三千多年历史的文化古城。1986年撤县建市，同年成为国家历史文化名城。亳州是中国优秀旅游城市。 亳州交通便捷，陆水空均为重要枢纽。 【铁路】亳州市内现有京九铁路、徐阜铁路穿境而过，正在规划的商杭客运专线、郑蚌铁路（淮海铁路）、禹亳铁路也将贯穿亳州。亳州境内现有亳州站、涡阳站和正在规划建设的亳州南站、亳州北站。 【公路】目前，311、105国道和307省道在市内交叉穿过，济广（济南--广州）高速公路，南洛（南京--洛阳）高速公路，许亳（许昌--亳州）高速公路，宿永亳（宿州--永城--亳州）高速公路、济祁（济宁--祁门）高速公路纵贯全境。 【水路】亳州市内河流属淮河水系。主要干流河道有涡河、西淝河、茨淮新河、北淝河、芡河等多条河流，建有亳州大寺港、涡阳港、蒙城港、利辛港等。 【航空】2010年12月17日，合肥骆岗国际机场亳州候机楼正式运营，亳州与合肥骆岗国际机场之间也将采取开“空港快线”的方式，为当地旅客提
交通流预测
目录 摘要.............................................................. I I 绪论. (1) 一、单因素方差分析 (1) 1.1单因素方差分析简介 (1) 1.2单因素方差分析模型 (2) 二、单因素方差分析的应用 (3) 2.1问题叙述 (3) 2.2模型假设 (4) 2.3符号说明 (4) 2.4模型的建立与求解 (5) 三、模型评价与推广 (17) 参考文献 (18) 致谢.............................................. 错误！未定义书签。
摘 要 本文研究的是估算当车道被占用时对城市道路的通行能力影响程度，并且通过本次研究分析为交通管理部门正确引导车辆行驶、审批占道施工、设计道路渠化方案、设置路边停车位等提供理论依据。根据观测数据，结合数学软件，采用应用交通流波动理论与数据分析相关方法对事故所处横截面通行能力变化进行分析，以及占道不同对横截面通行能力的影响的说明。 对于问题一，我们提取了视频1的交通调查数据，并进行了预处理，对本文中一些需要用的专有名词进行定义，初步的对事故发生横断面实际通行能力变化进行分析，得到横截面实际通行能力变化是周期性振幅可变的运动。 对于问题二，我们观察了视频2进行了类似的处理，然后运用SASV8进行描述统计分析和以占用车道的变化进行单因素方差分析，最后得到检验p 值为 0222.0，对于所占车道不同对该横断面实际通行能力影响有显著性差异，并检验 了同时置信区间至少95%置信度下，2u 比1u 大。 对于问题三，建立基于交通流理论的交通事故影响路段车辆排队长度计算模型，以流体动力学为基本原理，模拟流体的连续性方程，建立车流的连续性方程。由事故持续时间的长短分三种情况，建立起路段车辆排队长度与事故横断面实际通行能力、事故持续时间、路段上游车流量间的关系。 对于问题四，我们针对问题三所建立的模型对视频1进行了更深层的数据调查与处理，并运用题设数据对模型进行求解，得到结果0.2016h 1 T 。 关键字：实际通行能力 单因素方差分析 交通流理论