KF及相空间的交通流模型预测分析研究.pdfVIP

基于 KF及相空间的交通流模型预测研究 摘要 交通流模型是公路交通监控系统设计、分析、 仿真、 运行的基础。 由于交通流模型是一 个高阶非线性时变系统 , 这使得该模型的状态估计问题成为一个非常困难的问题。 这里简要 描述了卡尔曼滤波法（ Kalman Filter-KF ）状态估计原理 , 并对其与相空间重构的结合进行 了探讨， 使 Kalman模型得到了一定程度上的完善。 并由此提出了三种对交通流模型预测的方 法，且对它们进行了分析评价。 关键词 Kalman 滤波相空间重构 交通流预测 数据融合 一 引言 Kalman 滤波模型是一种时域上的状态空间方法。它已经成为信号处理、通信与控制等 的基本计算工具之一， 在航空、 航天工业过程以及社会经济等各领域具有广泛的应用。 近年 来，卡尔曼滤波在计算机图像处理中也取得了较为广泛的应用， 如车辆识别， 人脸跟踪识别 等。 目前已有一些学者提出过基于卡尔曼滤波的交通流预测模型。 对于交通系统而言， 基础 Kalman 滤波模型忽视了它的多维性，而相空间正好弥补了 Kalman 滤波模型的这一缺点。 经过实力分析，二者结合能更好的预测交通流特性。 二基于 Kalman 滤波的交通流预测模型设计 设某路段 t 时刻的交通流量为 Y(t) ，t 时刻后的 T 个时刻交通流量为 Y(t+T) ，考虑 t 时刻 的交通流量与它前三个时刻的交通流量密切相关，则 Y(t+T) 的预测值 Y`(t+T) 可用以下表达 式给出： Y`(t+T)=H 0V(t)+H 1V(t-1)+H 2V(t-2)+w(t) 其中 V(t) ，V(t-1) ，V(t-2) 分别为此路段 t,t-1,t-2 时刻所测交通流量， H ，H ，H 为参数 0 1 2 矩阵， w(t) 为观测噪声，定义其协方差矩阵为 R(t) 。 为方便使用 Kalman 滤波理论对状态变量出预估计，进行以下整合变换： C(t)=(V(t),V(t-1),V(t-2)) T X(t)=(H ，H ，H ) 0 1 2 将其和 Kalman 滤波理论比对，可得交通流预测模型如下： X(t)=F(t)X(t-1)+u(t-1) Y`(t+T)=C(t)X(t)+w(t) 其中， X(t) 为状态向量， Y`(t+T) 为观测向量， C(t) 为观测矩阵， F(t) 为状态转移矩阵。 应用 Kalman 滤波理论对其进行交通流预测，步骤如下： 1. 设定初始参数 卡尔曼滤波方程里面的状态转移矩阵 F(1,0)初始值设置为单位矩阵 I，维数为 3x3 。 过程噪声相关矩阵的初始值： 在 matlab 仿真软件中， 采用随机函数和协方差函数求解。 Q1(i)=cov(randn(3,1)) 测量噪声相关矩阵的初始值：在 matlab 仿真软件中，采用随机函数 randn(1,1