交通流预测.doc

2013高教社杯全国大学生数学建模竞赛 承 诺 书 我们仔细阅读了《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛 赛区评阅编号（由赛区组委会评阅前进行编号）： 2013高教社杯全国大学生数学建模竞赛 编 号 专 用 页 赛区评阅编号（由赛区组委会评阅前进行编号）： 赛区评阅记录（可供赛区评阅时使用）： 评 阅 人 评 分 备 注 全国统一编号（由赛区组委会送交全国前编号）： 全国评阅编号（由全国组委会评阅前进行编号）： 交通流量预测 摘要 随着社会的发展，交通堵塞成了一个很严重的问题，所以越来越多的城市开始研究智能交通系统以提高道路的通行能力，缓解交通压力。 短时交通流量的预测是解决智能交通系统的首要问题之一，而短时交通流又存在着较强的不确定性、非线性等特性，所以本文先基于自适应权重联合模型建立回归模型，用此模型对给道路的短时交通量进行预测，然后利用Kalman滤波法对预测值进行优化，最后得出较为理想的预测值。 对于问题一，由于要设计算法对道路的短时交通拥堵程度进行预测，所以我们先在自适应权重联合模型简化模型的基础上建立交通量预测模型得到一些基本的预测值，然后利用Kalman滤波进行优化，最后我们根据建立的模型进行简化形成预测算法。 而对于问题二，我们依然使用问题一的方法进行预测。 对于问题三，我们根据各路段的交通量进行加权赋值给各道路，然后各道路权重的比值进行分配ATR 关键词：短时交通流预测 不确定性 回归模型 Kalman滤波 一、问题重述 随着城市规模的扩大，车辆数量的增多，城市交通状况日益恶化。由于资源的限制，仅靠新增道路或改造现有道路，不能完全解决这一问题。越来越多的城市开始研究智能交通系统，以提高现有道路的通行能力，缓解交通压力。交通流量预测是构建智能交通系统需要解决的一个基本问题。很多城市使用ATR（Automatic Traffic Recorders）在事先选定的路段收集交通数据。ATR是在路面嵌入磁环，以探测金属并将这一信息转换为流量数据。 需要你设计一种算法来预测特定道路的拥塞程度。训练数据是模拟某城市交通拥塞情况得到其中10条道路交通流量的时间序列值。每条道路的每个时间点记录两个相反方向的交通流量值。拥塞程度用连续一分钟内通过某道路的车辆数来衡量。交通流量模拟软件以10小时长为一个模拟周期。在一个周期中，每辆车的起点和终点的分布每60分钟随机交换一次。模拟每10小时重新开始。训练集中包括1000小时的模拟数据，分为100个10小时长的独立周期。不同的周期以空行隔开。每一周期内的各行是连续各分钟内的数据。每行有20个值，即10条路两个相反方向的拥塞值。每行20个值与道路的对应关系参见附件。 测试集是另外1000小时的数据，分隔为60分钟长的窗口，但是每个窗口只给出前30分钟的数据，后30分钟的数据需要你们进行预测（预测相邻10分钟内的车辆总数即可）。每个窗口有30行记录。不同的窗口用空行隔开。测试集中的窗口是随机排列的。 任务： 设计一种算法对道路的拥塞程度进行短期预测。 给出测试集中每个窗口的第41至第50分钟的道路拥塞程度的预测值（即10分钟内的车辆总数）。 如果经费有限，不能一次性在所有道路布设ATR，请给出布设的原则或建议。测试集中每个窗口的第41至第50分钟的道路拥塞程度的交通流量模拟软件以10小时长为一个模拟周期在一个周期中，每辆车的起点和终点的分布每60分钟随机交换一次：待预测交通量 ：考虑上游路段时刻的流量 ：前若干天（以10小时为一天即一周期时间）该路段的历史流量 ：上游路段权重系数 ：本路段现时流量的权系数。 ：前四期流量的一阶差分的平均值 ：预测时刻的历史平均值与现在时刻实际流量值的偏差 ： 时刻系统的交通量 ： 时刻系统的控制量 ：交通量观测向量 ：观测系统参数矩阵 ：系统随机过程噪声序列 ：系统随机观测噪声序列， ：系统过程噪声协方差阵 ：观测噪声协方差阵（向量和的协方差矩阵） 五、模型的建立与求解 5.1 算法设计 5.1.1 自适应权重联合模型的建立 自适应权重联合模型是一种因果分析法，考虑上下游交通量的关系，比一般时间序列预测法更能体现交通量的关系。自适应权重预测模型综合考虑预测交通量上游路段流量、本路段预测时刻前流量、本路段历史流量三个方面因素，建立回归模型，如下（1）式所示： （1） 其中为待预测交通量；为考虑上游路段时刻的流量，是待预测交通量的源头流量；为前若干天（以10小时为一天即一周期时间）该路段的历史流量。为三种因素的权重系数，为上游路段