短时交通流预测模型综述.pdfVIP

不确定性，使得各种单一预测模型的预测精度难以提高。较早期的 制理论中被广泛采用的先进的埋单序列方法 ，采用由状态方程和 预测模型主要有 ：自回归模型(AR)、滑动平均模型(MA)、自回归 观测方程组成的线性随机系统的状态空间模型来描述滤波器，并 滑动平均模型(AR—MA)、历史平均模型(HA)~UBox—Cox法等。随着 利用状态方程的递推性 ，按线性无偏最小均方误差估计准则 ，采 该领域研究的逐渐深入，又出现了一批更复杂的、精度更高的预测 用一套递推算法对该滤波器的状态变量作最佳估计，从而求得滤 模型。总结起来，大概可以分成3类模型 ：基于传统统计理论的模 掉噪声的有用信号的最佳估计。由于卡尔曼滤波采用较灵活的递 型、基于神经网络的模型、基于非线性理论的模型 】。 推状态空间模型，因此卡尔曼滤波方法既适应于处理平稳数据， 2．1基于传统统计理论的模型 又可用于非平稳数据处理 ，且对状态变量作不同的假设 ，可使其 这类方法是用数理统计的方法处理交通历史数据 ，对交通 描述及处理不同类型的问题，同时减少了计算机存储量和计算时 流、交通速度、旅行时间等用于预测。一般来说统计模型使用历 间；模型具有线性、无偏、最小均方差性。卡尔曼增益矩阵可在 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 计算中自动改变 ，调节信息的修正作用以保持滤波估计的最佳 特性。基于传统统计理论的预测方法主要有历史平均模型(history 性，具有在线预测的功能。但该方法是线性模型 ，所以在预测非 averagemode1)、回归分析预测方法 、时间序列模型(timeserial 线性、不确定性的交通流时，模型性能变差。在每次计算时都要 mode1)、卡尔曼滤波模型(kalmanfil—teringmode1)、markov预测、 调整权值 ，因此，计算量过大，预测输出值有时要延迟几个时间 极大似然估计模型(maxium lidelihoodformulationmode1)等。研究 段 。总体来说，基于传统统计理论的预测方法理论简单、容易理 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 解 ，但是由于大部分模型都是基于线性的基础，当预测间隔小于 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 5min时，由于交通流量变化的随机性和非线性加强，使得模型的 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 性能变差。预测时仅仅利用了本路段的历史资料 ，没有考虑相邻 况 ，如交通事故等。 路段的影响，这是影响其预测精度的原因之一p】。 回归分析预测模型是一种通过分析事物之间的因果关系和影 2．2 基于神经网络的预测模型 响程度进行预测的方法，常用于对多条路段进行分析 ，其中运用 人工神经网络诞生于20世纪40年代。1964年 ，Flu应用自适应 逐步回归方法建立多元回归预测模型受到了极大重视 。回归分析 线性网络进行天气预报 ，开创了人工神经网络预测的先河 ；1993 预测方法是在可 以获得多路段交通数据的基础上，建立起各路段 年 ，VythoulkasPC首次提出用系统识别和人工神经网络进行城市 参数之间的线性 回归方程，当数据有限时 ，此方法无法实现 ]。 道路网络交通状态的预测。随着神经网络的发展 ，基于神经网络 时间序列模型是描述时间序列统计特性的一种常用方法 ， 的短期交通流预测的研究也越来越多。基于神经网络模型的预测 它是参数化模型处理动态随机数据的一种实用方法。主要有线性 原理为：用一部分数据训练模型，即确定网络结构(包括隐含层 平稳模型和非线性平稳模型。线性平稳模型主要有：自回归模型 数 、各层节点数、各层连接权值 、各层神经元的传递函数)，网路 (AR)、滑动平均模型(MA)、自回归滑动平均混合模型(AR—MA)； 结构确定以后，用剩余部分数据进行预测。总结起来 ，大体可以 非线性平稳模型主要有：ARIMA模型和IMA模型。自回归求和滑 分成3类：单一