城市快速路区间旅行时间短期预测新算法.pdfVIP

第 37卷 第 6期 武汉理工大学学报 (交通科学与工程版) VolI37 NO．6 2013年 12月 JournalofWuhanUniversityofTechnology Dec．2O13 (TransportationScience8LEngineering) 城市快速路区间旅行时间短期预测算法* 姚恩建 张永生 (北京交通大学交通运输学院 北京 100044) 摘要 ：在分析浮动车数据的时间相关性的基础上 ，研究城市快速路 的区间旅行时间短期预测算法． 采用统计方法和 K—NN分类法相结合 的方法对缺失数据进行填充 ，并利用小波变换对每天的数据 进行消噪处理．在分别利用时间序列模型和人工神经网络模型对城市快速路区间旅行时间进行短 期预测的基础上 ，通过模型组合获得预测值．结合北京市区二环 的一段快速路区间旅行时间的历 史数据和实时数据 ，对提 出的快速路区间旅行时间短期预测算法进行 了评价．结果显示 ，该算法 的 预测结果的平均绝对误差百分 比控制在 1O．43 以内，具有 良好的精度． 关键词 ：浮动车 ；旅行时间预测 ；时间序列 ；人工神经 网络 ；组合模型 中图法分类号 ：U491 doi：10．3963／j．issn．2095—3844．2013．O6．0。1 0 引 言 数据 的严重缺失以及交通检测数据在路网上的覆 盖率较低 ，从而影响预测效果．相反 ，浮动车系统 受设置区域的限制和天气 的影响较小，使得信息 为了解决愈演愈烈的交通拥堵 问题 ，智能交 通系统 (intelligenttransportsystems，ITS)的研 的收集范围和精度大大提高．近年来 ，利用浮动车 进行旅行时间的预测的可行性也得到了验证 ：van 究和应用受到了越来越多的重视_】]，其 中，城市道 Aerde等 ]发表了采用浮动车估计路段旅行时间 路的区间旅行时间的预测是不可或缺的关键部 的解析化表达式 ，并采用仿真数据验证了其可靠 分 ． 性；Snawalr6]的研究结果表 明由浮动车数据估计 基于预测时间段距 当前 时间的时间差 ，城市 的速度与环形线圈估计 的速度符合得很好 ，并得 道路的区间旅行时间的预测一般可分为短期 (≤ 到了良好的旅行时间估计． 30min)、中期 (30～90min)和远期 (90rain)预 基于浮动车数据 的旅行时间短期预测方法主 测[2]．短期预测 的预测时间段 与城市居 民出行 的 要有历史趋势方法、卡尔曼滤波法、时间序列法、 出行所需时间的分布区间基本一致 ，而且城市快 人工神经网络模型 、非参数回归模型、交通模拟和 速路不同时间段的路段旅行时间的时间相关性 比 动态交通分配模型等各种方法 [7]．历史趋势方法 较 明显，因此 ，近年来对于城市快速路区间旅行时 可以在一定程度 内解决不同时间、不同时段里 的 间短期预测方法的研究越来越受到关注．