路况预测的动态建模下自适应算法.docVIP

路况预测的动态建模下自适应算法 路况状态估计和使用性能预测.奉方法能自动适应环境因素的影响和过程的时变性t达到良 好的预测效果. 关键词墅盈i边查蕉堡旦堕蔓莹 0引言 路面使用性能在行车荷载与自然因素的综合作用下,处于不断的衰减过程中,又在不同 的养护和改建措施下使之得以恢复.科学合理地预测路面经过某种养护或改建措施后使用性 能随时间变化的规律,为路面提供可靠的决策支持,是路面管理系统赖以完善的基础. 由于影响路面使用性能变化的因素,如荷载环境,材料性能,施工质量和养护水平等 都具有不同程度的变异性,因而使用性能变化也具有一定的随机性.目前,应用最多且最为 完善的是状态转移概率分析模型,文献1对此作了较为深入的探讨.然而,由于路况数据不 足,目前大多采用回归分析方法确定状态转移概率矩阵,并将路况数据的空间分布转化为时 间序列加以分析.这种方法虽具有简单易求的特点,但存在较大的局限性. (1)无论从荷载,施工还是材料性能,都具有不同历史时期的特点,因而状态转移概 率矩阵R实际上是时变的,即. fPt=P(㈩ l+=XtR=兀P(),K0 采用单一的回归分析模型 PC/=100e一(2) 显然只能求得固定下降速率的尸【,从而抹杀了使用性能下降速率对时间变化的规律. (2)将同一时期路况数据的空间分布当作时间序列来分析,虽能弥补样本数据不足的缺 点,但无法将不同路段的施工质量自然条件,养护水平以及交通增长因素等影响纳入预测模 型.而且,由于不同的养护和改建措施使路面得到不同程度的恢复,为了刻划这种突变性和由 此造成的新的衰变规律,必须重新建立回归分析模型,而新的路况数据只能逐年采集,数据 不足的矛盾依然存在.因此,只有采用自适应递推算法,才能从根本上解决这一问题. (3)由于上述原因以及回归分析模型外推性能较差的缺点,这种基于回归分析模型的 预测方法,只适用于预测精度较低的网级路面管理系统. 如何运用现代时间序列分析方法,建立动态预测模型和自适应递推算法,正是本文所要 研究的内容. 收蔷日期:1992918 中国公路 1kalman滤波预报方法简介 回顾现代控制论的历史,正是由于本世纪5O年代末美国数学家和控制论学者kalman创 立了时域上的状态空闯方法,才标志了现代控制论的诞生.现代时阊序列分析方法的产生, 运用了kalman的方法论.kalman运用状态空间描述法,提出了一套适合于在计算机上实现 的递推算法,并且适用于非平稳随机过程的滤波和状态估计. 考虑动态系统 (+1)=毋()x()+T()W()(3) y(k):.H()()+V()(4) 其中()为×维状态转移矩阵,()为辨×维观测矩阵,W()为×1维模型噪声(或 称误差),()为×1维状态向量,y(k)为m×1维观测向量,V()为m×1维观测噪声.() 与v(k)为相互独立的带均值和协方差阵分别为日(),r(k),Q(k),R(k)的高斯白噪声,即 E[()】=口(),E【()】=r(k),E[W(k)V(,)】=0(5) Co【W(k),W(j)】=Q(k)钆,Co[V(k),(,)】=R(k)乩 其中为Kronecker函数,满足 ㈩ 式(3)称为状态方程,式(4)称为观测方程,式(5)称噪声统计特性.对照式(1) 可知,它只不过是式(3)的一种特殊形式.kalman滤波问题是基于观测数据(1),y(2), … ,y(k)1,求系统状态x(j)(,)的最优估值),它极小化性能指标 -,=E[((,)一))((,)一)】.(7) 当,=时,贰klk)称为滤波估值;当,gt;时,i()称为预报估值.特殊地,(+ilk)称为 (+1)的一步预报估值. kalman提出如下最优滤波方程组.:’ (+llk+1):+ilk)+(+1)E(+1)(8) 贾(+ilk)=()klk)+F(k)q(k)(9) ￡(+1)=y(+1)一J(+1)舅(+1I肋一,(+1)(10) jl((+1)=P(k+ll)日(+1)【(+1)+日(+1)P(+ll)H(+1)]-1(11) P(+ilk)=()D(klk)毋()+厂()Q(k)F()(12) P(k+llk+1)=【,一K(+1)H(k+1)】P+llk)(13) 初始条件为 ~(010)=o,P(Olo)=Po(14) 方程(8)～(33)构成递推链.在此基础上可进一步求多步预报估值ilk),,gt;,这只要注 意到式(9),即有 量(南+1凫):(南+-t)烈南+一1)++一1)口(壳+一1),:1,2,…,N(15) kalman滤波框图如图1所示,其中假定q(k)=r(k)=0. 我们称E(k)=y()一~(klk一1)为y(k)的预报误差,(+1)为滤波增益阵,P(+llk)为 一 步预报误差协方差阵.当模型参数(),