城市快速路交通参数预测方法的研究.pdfVIP

[至：至塑三堡] )工龙晖姜桂艳王江锋张晓东J ————————————————————————————————————一] [摘要]道路交通参数预测一直是现代交通领域研究的一项重要内容。原有的预测模型 和算法应用于实际的交通参数预测时，存在着许多的缺点与不足。本文在对原有预测算法进 行研究的基础之上，从预测结果的实时性、准确性和可靠性等方面进行综合考虑，根据现代 数据融合思想，提出了一种多模型预测结果融合算法。最后采用实测数据，应用几种预测方 法对路段地点速度进行预测，并对预测结果和误差进行比较分析。 [关键调]数据融合；误差动态特性；多模型预测结果融合算法 1引言 道路交通参数的实时预测是国际ITS研究的热点，也是ITS研究的重点和难点。道 路交通参数预测将为交通管理、交通控制、交通诱导、事件检测等ITS子系统提供实时、 准确、可靠的道路交通信息。与此同时，智能运输系统的电子和通讯技术又为道路交通参 数的预测提供了前所未有的高质量的交通数据采集技术，为实时的交通参数预测打下了良 好的基础。由固定检测器采集到的交通参数主要有交通流量、地点车速、占有率等，由移 动检测器采集到的交通参数主要有交通流量、路段行程时间和区间平均车速，对这些动态 交通数据进行分析，道路交通参数预测方法是多种多样的。目前常用的预测方法和模型包 括历史趋势方法、非参数回归模型、时间序列、神经网络、卡尔曼滤波、交通模拟和动态 交通分配模型等，这些方法和模型各有优缺点，在处理不同时段和纷繁复杂的交通状况 时，都显出严重不足。 2原有预测模型综述 历史趋势方法假设交通状况是间断性发生的，即具有相同历史趋势的一天里各路段在同 一时段具有相同的交通状态。该方法的关键是对于具有相似历史趋势的工作日的分类。虽然 历史趋势方法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 测不足取，因为它不适用于非常规和突发交通状况(如交通事故等)下的参数预测。 作者单位：吉林大学交通学院 * 国家自然科学基金资啦项且(5札78Q72)；“十五”圄家科技攻关重大项且(2∞2队404AO驰。 ·381- [堡垡垡堡堕星墨重壅蕉壁量星里] 时间序列预测方法是通过分析时间序列过去的变化规律来推断今后变化状况或趋势的 方法，只利用被预测量本身的历史数据，没有考虑其他影响因素，当交通状态变化急剧 时，预测结果与实际数据之间存在明显的时间延迟。 非参数回归模型也叫做多元回归模型，是一种多条路段分析方法，根据研究路段与几 条相邻路段历史信息之间的相关关系，建立多路段交通参数之间的线性方程，然后对研究 路段的交通参数进行预测。此种方法建立的是多变量之间的线性方程，而在实际的交通系 统中，变量之间的关系复杂多变，并非线性，所以预测结果的准确性将会受到一定程度的 影响。 卡尔曼滤波是一种在现代控制理论中广泛采用的先进的时间序列方法，该方法可以用 于过滤信号和模型参数估计，同时，也可以用于交通预测。卡尔曼滤波方法的输人参数可 以是当前时间段或过去的几个时间段的一些变量(交通流量、研究路段或邻接路段的占有 率或行程时间)，输出将来时间段的交通参数。卡尔曼滤波已经应用于交通参数的预测， 并取得了令人满意的结果，但该方法在每次计算时都要调整权值，计算量过大，预测结果 输出有时要延迟几个时间段。 神经网络是一种无算法、非数值、可以识别复杂非线性系统特性、具有深度综合和自 学习能力的信息系统，能够学会如何把输入和输出方式分类和联系起来，可以保障预测结 果的鲁棒性，因此在交通参数预测中被广泛应用。 3多模型预测结果融合方法 以上介绍了几种预测模型和算法，但是它们应用于实际的交通参数预测时，由于道路 交通系统复杂多变，经常会受到各种随机因素的影响，所以在不同的交通条件和时段下， 单独使用某种方法和模型，预测结果的精度不能满足ITS各子系统的要求。 从预测周期长短的角度进行考虑， 当预测周期过长时，预测结果的准确性 、 必然会受到一定程度上的影响，因此可 以采取对交通参数分时段进行预测