基于神经网络和贝叶斯网络的交通流影响模型.docxVIP

基于神经网络和贝叶斯网络的交通流影响模型 列车是城市交通的重要指标，也是城市交通诱导系统的重要输入参数。因此，实现城市公共交通的实时列车列的长度非常重要。周学农通过实测数据,分析了多个经典的排队模型的计算结果,并建立了符合长沙的排队长度优化模型。荣建、何民等利用北京道路的实测数据,对比了国内外多种排队计算方法,针对北京的实际情况,建立了动态计算的排队模型。何宁等通过实证的研究方法,得到了大量的数据并拟合了适合于特定地区的定量关系式。上述模型大多集中于平均排队或者最大排队,这些模型中比较经典的有Miller、Akcelik、TRANSYT等。城市交通系统是一个系统,即使在短时间内交通特征参数也可能发生剧烈的波动,突出表现是信号交叉口前的排队在一个周期内不停地聚集和消散。因此,上述排队模型或方法不能把握这种变化特征,有必要研究信号交叉口实时长度的估计方法。 由于各种原因(如成本原因、不能处处安装交通信息检测设备或系统故障等),无法获得某些路段的排队信息,因此,本文从交叉口相邻路段之间的流向关系出发,分别利用神经网络和贝叶斯网络建立了基于相邻路段关系的排队影响模型,并对之进行了比较,利用这两个模型可以从已知排队长度推断未知路段排队长度。结果表明,由于城市交通系统的随机性,基于贝叶斯网络的路段排队影响模型比神经网络模型更精确。 1 相邻路段交通流影响模型的建立 图1为一典型的城市局部路网图,图中A代表交叉口,a、b、c、d代表基本路段。整个城市路网可以看作是由图中的基本单元组成。要想描述城市路网交通流的关系,首先必须描述基本组成单元内交通流运行关系。 从图中可知,d路段上的交通流是路段a、b、c路段上的部分交通流组合而成,在不发生突发事件(交叉口的道路条件、信号条件、管理条件不变)的情况下,路段d上的交通流直接由路段a、b、c决定。可以将a、b、c路段上的交通流看作“输入”,d路段上的交通流看作是“输出”,或者a、b、c路段上的交通流是d路段上交通流的原因,从这两个角度出发,如果a、b、c路段上的交通流信息已知(流量、延误、排队长度等)就可以推断出路段d上的交通流信息。 如图2所示,将图1的城市道路局部做了扩展。通过上述可知,路段d的交通流信息由路段a、b、c决定,同样,因为路段流向的关系,当其他条件(道路条件、控制条件、管理条件)不变时,路段b的交通流信息由路段e、f、g上的交通流状态决定。 考虑到时间因素,某路段的交通流状态不仅受到相邻路段的影响,而且受到本路段之前某些时刻的交通流状态的影响,即应考虑到历史数据的影响。令d(t)代表t时刻d路段上的排队,依此类推,a(t)、b(t)、…分别代表各自路段上t时刻排队,用符号来表述相邻路段之间的关系,即:d(t)取决于a(t-1)、a(t-2)、…a(t-n);b(t-1)、b(t-2)、…、b(t-n);c(t-1)、c(t-2)、…、c(t-n);d(t-1)、d(t-2)、…、d(t-m),其中m、n是整数。基于上述两种角度,分别建立基于神经网络的交通流影响模型和基于贝叶斯网络的交通流影响模型。考虑到每条路段都有相应的左转、直行、右转流量,本文构建了基于相邻路段的网络模型如图3所示。 图中,下标l和r分别表示左转、右转的交通流状态。如果某路段交通流状态信息缺失,假设路段b的信息丢失,由于b路段的交通流的状态由路段e、f、g路段的状态决定,可以利用两步骤预测方法得到路段d(t)的状态(如图4所示):先利用e、f、g的状态得到b的状态,然后再利用a、b、c的状态得到d的状态。 2 混合高斯模型 为了能够利用模型获得路段排队长度,需要对之进行训练和检验。可以看出,模型的维数很大,如果m=5,n=5,输入变量就有20个,考虑到直行排队和左转排队则有40个。维数过大就会给训练和预测带来困难,因此利用主成份分析进行降维。 对于神经网络模型,利用线性函数做为传递函数,采用BP神经网络,其参数训练采用梯度下降动量学习方法,学习率为缺省值0.01,神经网络的隐层数目根据Kolmogorov定理为:2*输入神经元数目+1。对于贝叶斯网络模型,EM算法是进行最大似然估计的有效算法,能够在缺失数据下进行训练,因此应用EM算法进行参数训练。其变量间的联合概率分布采用能够以一定精度逼近任何概率分布的混合高斯模型 p(X)=l∑i=1aiG(xi) (1) 式中:G(·)为高斯函数。 设输入(即上游各路段的交通流状态)为xE,输出(即下游路段的交通流状态)为xF,根据最小均方差原则,从xE中得到的xF的最佳估计为 ?xF=E?xF|xE?(2) p(x)=G(xE;μE,ΣEE)G(x2,μxF|xE,ΣxF|xE) (3) 式中:μxF|xE=μF-ΣFEΣ-1EE(μE-xE),Σx