基于浮动车的城市道路行程时间预测算法研究.pdfVIP

基于浮动车 的城市道路行程时间预测算法研究 朱 国 华 · (1．上海千年工程建设咨询有限公司，上海201108；2．华中科技大学土木工程与力学学院，湖北 武汉430074) 摘要：装载GPS的浮动车在社会交通流中比重越来越高，已成为主要的行程时间采集手段。研究了基于浮动车的城市 道路路段行程时间预测算法 ，输人数据包括静态空间属性数据、行程时间历史备份数据和基于GPS采集的动态交通行 程时间数据，并以5rain为预测间隔进行20rain短时行程时间预测。最后经2．1km含3个交叉 口的路段预测验证，表 明该算法单方向单次最大误差23，0％；经过滚动预测 ，单方向平均绝对误差为5％一6％，精度满足用于城市道路路段的 信息发布要求。 关键词：城市道路 ；道路交通流 ；浮动车数据 ；城市道路路段 ；行程时间预测 中图分类号：U491 文献标识码：A 文章编号：1004—4655(2011)02—0080—03 为了提高道路交通服务水平，国内外很多城市都 源，预测未来间隔的行程时间。 在为出行者提供动态的道路交通信息，以辅助出行决 1 常态交通下基于GPS的丌P算法 策、均衡道路交通流。发布的诱导信息包括天气、违 1．1 数据输入 章、道路状况等静态信息，还有事件检测、行程时间预 数据输入是 rrP模型的基础。不同的模型采用 测等动态信息。 不同的数据 ，输人数据的完整性和精确性直接影响预 预测的行程时间是城市道路交通流诱导发布 的 测结果的准确度和可应用性。本文研究的 1]口P模型 主要信息之一。行程时间预测 (TravelTimePredic— 输入数据包括静态空间属性数据、行程时间历史备份 tion，rrP)算法也成为国内外研究热点。它基于线圈、 数据和基于浮动车采集的动态交通行程时间数据。 视频等采集的道路交通基础数据(流量、速度、占有率 1)静态空间属性数据及行程时间历史备份数据。 等)，采用线性 回归、神经网络、卡尔曼滤波等数学方 (1)定义各路段的 ID号(即编号)，日期类型 。 法来进行未来间隔内路段行程时间的估计 ¨J。国内 (2)ID号为2的路段、d种 日期类型、第 1个时间 外关于rrI’P的文献方法主要有：光谱分析(spectrala— 间隔下平均路段行程时问的静态预测 mc．d nalysis)、卡尔曼滤波(Kalmanfiltering)、线性模型(1in— (3)每一估计 的偏差5f．d． 。 earmodels)、自回归综合移动平均模型(ARIMAmod— (4)基于GPS车载终端存储的ID号为 ￡的路段、 els)、聚类分析 (clusteringanalysis)和人工神经网络 d种 日期类型、第 t个时间间隔下平均路段行程时间 (artificialneurMnetworks，ANNs)等。以上算法可以分 备份数据 b 为两类 ：一类是综合模型，适应性强 ，但所需的交 (5)ID号为 z的路段、d种 日期类型、第 t个时间 通参数较多；一类是基于路段上的时间预测模型，虽 间隔下平均拥堵长度 ． 。 适应性弱，但模型简单且易于标定。 (6)每一估计 的偏差 firfd．I。 装载 GPS的浮动车在社会交通流 中比重越来越