交通运输行业交通流诱导系统课件.ppt

.. 动 态 多 路 径 分 配 模 型 执 行 框 图 输入O-D表及网络邻接信息表 分解原O-D表为K个O-D分表 确定路权 确定网络最短路权矩阵 按静态的多路径模型分配每一O-D 点对之O-D量（即调用静态软件） 最后一O-D点对？ 计算路段交通量 最后一O-D分表？ 输出路段及交叉口分配交通量 否 否 是 是 转入下一O-D分表 转入下一O-D点对 无锡市路段机动车交通量负荷预测 无锡市交叉口机动车交通量负荷预测 无锡市机动车车速预测 公里/小时 无锡市机动车服务水平（上班高峰有公交部分） 服务水平 比例 无锡市机动车服务水平（机动车高峰有公交部分） 服务水平 比例 无锡市机动车高峰小时路段交通量分布 无锡市机动车高峰小 时路段交通量分布 无锡市机动车高峰小时交叉口交通量分布 无锡市上班高峰小时路段机动车交通量分布 无锡市机动车高峰小时路段自行车交通量分布 无锡市机动车高峰小时交叉口自行车交通量分布 2010年公路网全日交通量分布 2010年公路网高峰小时交通量 2000年公路网高峰小时交通质量分布 交通流 重分布 道路及交叉 口流量预测 交通网络 质量评价 交通管理方案 最短路交通分配 容量限制交通分配 多路径交通分配 多路径--容量限制交通分配 调整交通管理措施 道路交通网络交通流重分布模拟 O-D矩阵 交通 需求 车辆路径 选择模拟 交通流重分布基础： 车辆路径 选择模拟 最短路交通分配 容量限制交通分配 多路径交通分配 多路径--容量限制交通分配 交通管理措施 1. BP神经网络的交通流量预测模型结构 基于BP神经网络的交通流量预测模型由数据处理器和BP网组成。 数据处理器将实测的交通流量数据进行处理，构成输入样本。 BP网由三层组成，它们是输入层、隐层和输出层。 输入层单元数由数据处理器构造的样本维数决定； 输出层有一个神经元，它的训练用输出值由数据处理器提供； 隐层的神经元个数由输入神经元个数和输出神经元个数决定。 基于BP网交通流量预测模型的结构 2. 模型原理和算法 路段上的交通流量与前几个时段的交通流量有着必然的联系，同时路段是路网中的一个部分，路段的交通状况必然受到上、下游路段的交通状况的影响，所以路段上的交通流量势必与相连路段前几个时段的交通流量有着内在的联系。 这样就可以利用路段前几个时段的交通流量数据列去预测未来时段的交通流量，也可以利用上、下游路段前几个时段的交通流量预测路段未来时段的交通流量。 在网络训练之后，预测的交通流量可由下式求得： 3. 预测模型的实现 利用BP神经网络预测交通流量分为三大步骤： 第一步为训练样本的准备和归一化； 第二步为神经网络的训练； 第三步利用训练后的神经网络对交通流量进行预测。 交通流量预测流程图 由于交通流量的数值较大应对其进行一定的预处理，一般可采用初值化、极值化或等比变换。通过这些变换可有效地缩短神经网络训练时间从而加快网络收敛速度。 交通流量预测软件由四个模块组成，它们是样本录入与预处理模块、样本训练模块、交通流量预测模块和误差分析模块。 4. 利用目标路段历史数据的交通流量预测 本研究利用长春市人民大街的实测数据进行交通流量预测。为研究交通流量神经网络预测模型的需要，建立了研究路段三个星期的交通流量数据库。交通流量的数据是每15min一组，共有2 016个记录，其中 1814个记录用于训练，192个记录用于验证预测模型。 这里采用的是一个隐层、9个隐层单元的BP网进行训练，训练的输入变量有：研究路段t时刻的交通流量、t－15min时刻的交通流量、t－30min时刻的交通流量、t－45min时刻的交通流量，输出变量为研究路段 t＋15min时刻的交通流量。学习率为自适应学习率。经过训练的神经网络对路口北段的人民大街连续两天（1997年3月11日星期五和12日星期六）的交通流量进行了预测预测的结果分别如下所示。 图中实线为实测交通流量曲线，虚线为预测的结果。 交通流量神经网络预测的相对误差 上图显示了1997年3月12日的交通流量预测误差。其预测交通流量与实际交通流量的平均绝对相对误差为7.59％，交通流量大于1 000辆/h的各时刻平均相对误差为4.15％。 以上的结果显示神经网络模型能够对复杂的交通流特性进行描述。虽然星期五和星期六的交通流状况有所不同，但却能用同一个的神经网络预测模型对交通流量进行准确的预测。 5. 利用相关路段历史数据的交通流量预测 路段未来时刻的通行能力不但与本路段的现在和过去时段的交通状况有