基于速度短时预测的路径优化研究.docVIP

基于速度短时预测的路径优化研究 摘要：根据现有的交通拥挤度辨别方法以及公路的等级，设计不同交通状况下的速度标准；建立相应的路径优化方法，建立时间序列模型，对采集到的道路行车速度进行速度的预测，并设计以最快路径为最优路径的路径优化方法，将交通流量中的速度预测应用到其中，之后根据相应的方法应用到实际案例中，证明方法的可行性。 网:m 关键词：交通流量；预测；路径网络；最优路径 中图分类号：TB文献标识码：：/3198.2018.05.091 1引言 在某一时间t到下一决策时间t+1乃至以后若干时刻的交通流做出实时预测叫作交通流预测。短时交通流预测是t到t+1之间的预测时间跨度不超过15min（乃至小于5min）的交通流预测。交通流预测既是智能交通系统实现的理论基础，又是实时控制与诱导交通的前提。 NicholsonH.等（1974）提出用谱分析模型预测交通流量。hmedS.A.和CockA.R.（1974）探讨了时间序列技术在交通量预测中的应用，提出了时间序列预测交通流量的观点。同年CockA.R尝试利用Box-Jenki技术对高速公路的交通流量进行预测。NihanN.L.和HolmeslandK.O.（1980）在已知某路段4年的交通量数据的条件下再次应用Box.Jenki技术进行预测，获得了比较好的预测效果。DavisG.A（1990）使用可调预测系统预测高速公路的交通量进行了研究，它被用来确定是否是纯粹的交通拥堵，它被应用到实时预测和数据收集的城市交通网络。另外，P.C.Vythockas（1993）也建立了基于卡尔曼滤波技术的交通流预测模型，预测效果较好。TheieryDochy（1994）等人在建立了结果令人满意的神经网络预测模型，预测的时间间隔为1小时。MaschavanDerVoort（1996）将神经网络与ARIMA时间序列模型结合，使ARIMA模型更具有实用性，之后，提出用用模拟的数据验证该算法可行性，通过建立神经网络单个路段的交通流量的模型，并结合整个路径网络的交通流量预测模型，对交通流量数据进行了具体的验证。 H.Kirby，M.Dougherty，S.Watson（1997）通过动态时间序列的方法研究交通流的变化规律，建立神经网络模型研究高速公路短时交通流量预测。同年，王明梭（1997）提出城市主干道交通流的卡??曼滤波动态预测方法研究。英国学者H.Chen，S.Clark等（1998）发现运用Hermite多项式和随机噪声理论能较好的描述交通流状态，神经网络模型用于交通流预测拥有很好的前景得到了进一步验证。贺国光（2000）提出一种改进的自适应权重模型，此方法是一种将有模型算法和无模型算法结合起来的新思路，为设计出能适应预测步长小于5分钟的高精度预测模型提供了一个新的解决方案。 2交通流预测模型 2.1交通流预测的应用方法 第一，根据路径网络通过邻接矩阵的调用，求得最短的三条路径。 第二，采集交通拥挤度的参数或是车辆行驶速度，得出相应的道路平均运行速度。 第三，根据时间序列模型进行速度的预测，得出相应路径的预测的速度。 第四，根据时间公式计算出通过每条路径的基本路径。 2.2时间序列模型的建立 建立时间序列模型，构建出的适合于交通流预测的模型，应用指数平滑、自回归法等时间序列方法预测交通流数据。首先，将得到的道路数据导入到时间序列模型中，之后，对模型进行参数的设置，设置适应的时间序列变化类型，要设置要输出的参数、预测的起始时间、终止时间以及预测未来的年限，最后，运行模型，并记录好预测到的数据。 由于采集的数据是以时间变化的时间序列模型，是连续3天每隔15分钟采集的一次数据，因此，在模型中设置的时间周期为“15min”，开始时间为数据的第一条信息，并预测未来的十个时间段的数据，最后，采用时间序列中的指数平滑模型，进行预测。 3交通流预测的应用 3.1案例描述 某物流企业想要从石景山路出发进行配送作业，将货物配送到达首都机场2号航站楼，两个节点之间有相应的20个物流节点，多条路径，为了能够在距离较短以及时间最短的情况下，进行交通数据的预测，分析如何选取合适的路径进行行驶，从而对路径进行优化处理。 3.2路径的选择 由于出行的路径十分复杂，而且其中拥有若干个节点，人工计算最短路径十分困难，因此，将存在路径转化为路径图的形式，将路径网络中的相应路段转化为相应的20个节点，在MATLAB中调用路径网络的邻接矩阵，之后在MATLAB中运用相应的最短路径算法minRoute得出最后的最短路径，输出最短路径，然后，根据输出的结果补充两条较短路路径，以便最后路径优化。 首先将路径问题简化为问题，通过动态规划的方法来进行路径的计算，将配送网络示意图转化为路径规划中的路径图，将图中经过的物流节点用阿拉伯数字表示，其中起点为1，