基于云模型的短时交通流预测
基于云模型的短时交通流预测
【摘要】对云模型的理论知识进行说明，提出用云模型建立短时交通流预测模型，采用成都市路口实测的实时数据，通过平均误差以及平均绝对误差指标（分别为36.5辆和4.8%）来验证基于云模型的短时交通流预测的可行性、实时性以及准确性。
【关键词】云模型；短时交通流预测；云发生器；预测云
1.引言
交通安全、交通堵塞、环境污染是困扰当今国际交通领域的三大难题，尤其以交通安全的问题最为严重。据专家研究，采用智能交通技术提高道路管理水平后，每年仅交通事故死亡人数就可减少30%以上，交通工具的使用效率也提高50%以上。
因此世界各发达国家竞相投入大量资金和人力，进行智能交通技术研究试验。短时、实时交通流预测是城市交通控制与诱导的基础，也是智能交通系统的重要功能之一。研究表明，没有一种预测模型和方法能够适用于各种环境和条件下的交通流预测。随着不确定性研究的深入，针对概率论和模糊数学在处理不确定性方面的不足，李德毅教授在概率论和模糊数学的基础上提出了云的概念，并研究了模糊性和随机性及两者之间的关联性。自此至今，其已成功的应用到数据挖掘、决策分析、智能控制等领域。本文在此基础上研究了基于云模型的短时交通流的预测模型。
2.定向定量转化模型——云模型
2.1 云和云滴
设Μ是一个用精确数值表示的定量论域，C是Μ上的一个定性概念，若定量值x∈Μ，且x是定性概念C的一次随时实现，那么x对C的确定度μ（x）∈[0，1]是具有稳定倾向的随机数。
μ：Μ→[0，1]，∈Μ，x→μ（x）。
则x在论域Μ上的分布成为云，每一个x称为一个云滴[1]。
2.2 云的数字特征
云用期望Ex，熵En和超熵He三个数字特征来表示一个概念[1]。Ex是云在论域空间分布的期望，是这个概念量化的最典型样本。En是定性概念不确定性的度量，由概念的随机性和模糊性共同决定，熵越大，概念越宏观。He是熵的不确定性度量，即熵的熵，由熵的随机性和模糊性共同决定[2]。
关于解决城市交通堵塞问题的数学模型的探究
城市交通拥阻的分析与治理 摘要 随着经济的高速发展和城市化进程的加快，机动车拥有量急剧增加。城市道路交通拥堵问题成为困扰世界各大城市的主要社会问题之一，严重影响着城市的可持续发展和人们的日常工作与生活。快速、准确地发现路网中发生的交通拥堵，并估计出拥挤在未来一段时间内的扩散范围和持续时间，对于制定合理有效的交通拥挤疏导策略具有重要意义。 本文通过调查洛阳市中州中路与定鼎路交叉口车流量与红绿灯的设置等情况，发现此路口南北方向的车辆主要是由关林与洛阳站方向的往返车辆，东西方向的车辆主要是由中央百货大楼与老城方向的往返车辆，且南北方向的车流量大于东西方向的车流量。 模型一，通过我们的调查发现，造成此路口交通拥堵的原因之一是黄灯时间较短，黄灯时间只有3秒，这样会造成有些车辆因来不及停车而越过十字路口的停车线, 又由于红灯亮了而过不了路口, 故而造成交通混乱。针对此问题，我们在力学与动力学原理的基础上，提出一种调整黄灯时间的模型，利用微分方程列出黄灯时间的求解公式，并计算出黄灯闪亮的最佳时间为7秒。 模型二，道路的增长速度跟不上车辆增长速度，这就导致了车辆静止平均密度逐年增大，结果花费了大量人力物力财力修路架桥，但换来的不是交通顺畅，而是越来越严重的交通拥挤。针对此现象，我们以交通工具为研究对象，运用线性规划方法并结合LINGO软件，得出人们出行选用自行车和大型机动车有利于缓解当前交通拥堵现象。 模型三，为了使交通部门有充分的时间来预防交通拥堵，应该在交通流高峰到来之前做出预测, 进而采取及时的措施并通过交通控制系统削减交通流高峰、避免拥堵的发生，我们采用径向基函数预测功能的神经网络[5],对十字路口的车流量进行实时预测，应用MATLAB软件编程[4]预测出交通高峰期可能通过每个路口的车流量，从而可以给交通部门提供数据，让他们有更充分的时间预防交通拥堵的发生。 关键词：微分方程;线性规划;神经网络; LINGO; MATLAB
基于神经网络的交通流预测研究
河北工业大学 硕士学位论文 基于神经网络的交通流预测研究 姓名：彭进 申请学位级别：硕士 专业：模式识别与智能系统 指导教师：赵晓安 20081101
河北工业大学硕士学位论文 基于神经网络的交通流预测研究 摘要 作为智能交通系统的核心内容之一，智能交通控制与诱导系统一直是智能交通研究的热门课题。城市交通流控制与诱导系统的实现将有效地减少交通拥挤和城市环境污染，提高道路通行能力和改善交通安全状况。而实时、准确的交通流量预测正是这些系统实现的前提及关键，交通流量预测结果的好坏直接关系到交通控制与诱导的效果。交通控制与诱导系统需要在做出控制(诱导)变量决策的时刻对下一决策时刻乃至以后若干时刻的交通流量做出实时预测。 目前，我国普遍采用遥感微波检测器或环形线圈检测器检测实时交通流量。但是，对于一个完善的交通流诱导系统而言，采用实时检测设备检测的交通流信息具有滞后性。因此，实现城市交通流诱导系统的关键是道路交通状况的预测，也就是采用相应的技术，以有效地利用实时交通数据信息滚动预测未来一段时间内的交通状况。根据预测的交通流信息实现交通流的诱导，以避免交通拥挤，实现交通的畅通。 本文主要研究人工神经网络在实时交通流预测中的应用。在应用人工神经网络预测交通流量方面提出了有效的途径。本论文的主要研究工作为： (1)介绍了交通流预测系统基本概念及理论框架，并提出了路段短时交通流预测 模型； (2)利用BP神经网络的优势，提出了一种改进型BP网络算法。实验结果表明 该算法在路段短时交通流预测方面有着优良的效果； (3)结合递归Elman网络和BP网络的优点，提出了一种综合型交通流预测算法。 该算法具有较强的非线性函数逼近能力和学习能力，为路段短时交通流预测 提供了一种有效的途径。 关键词: 交通流，人工神经网络，BP网络，Elman网络，预测 i
交通流预测方法
交通流预测方法 随着社会经济和交通运输业的不断发展，交通拥挤等交通问题越来越凸现出来，成了全球共同关注的问题。那么对于交通流的预测不仅是城市交通控制与诱导的基础，还是解决道路拥堵问题的关键。如果能精确的预测交通网中各个支路上的汽车流量，那么我们可以运用规划方法对交通流进行合理的优化，从而使得道路的利用率达到最大，也可以解决部分拥堵问题。在新建道路的前期也需要对兴建道路的车流量进行一个长期的交通预测，从而对道路的经济效益进行评估，对论证道路修建的可行性研究提供依据。由此可见，对交通流的预测是必要的，在本课题中我对四公里立交车流作一个最优函数估计，旨在对四公里立交的车流进行精确预测。 交通流理论是研究交通随时间和空间变化规律的模型和方法体系。多年来交通流理论有了较快的发展，众多学者在这一研究方向做出了许多优秀的成果，将交通流理论运用于交通运输工程的许多研究领域，如交通规划、交通控制、道路与交通设施设计等。 预测方法从大体上可分为定性预测与定量预测。定性预测中主要有相关类比法、德尔菲法等；定性预测则分为因果分析、趋势分析智能模型。因果分析主要方法有线性回归、非线性回归等模型；趋势分析主要有时间序列模型、趋势回归模型等；智能模型主要包括神经网络模型和非参数回归模型。 短期交通流的预测方法较早期的有：自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、历史平均模型（HA）和Box-Cox法等，随着该领域的发展，预测方法不断趋于精确，在大批学者的共同努力下出现了许多更加复杂、精度更高的预测模型。大体来说可分为两类：一类是以数理统计和微积分等传统的数学方法为基础的预测模型，主要包括：时间序列模型、卡尔曼滤波模型、参数回归模型等；第二类是以现代科学技术和方法（如模拟技术、神经网络、模拟技术）为主要研究手段而形成的短期预测模型，该种方法不追求严格意义上的数学推导和明确的物理意义，更加重视与现实交通流量的拟合接近程度，该种方法主要包括非参数回归模型、KARIMA算法、基于小波理论的方法、谱分析和多种与神经网络相关的复合预测模型等。现阶段广泛应用的主要有以下四种模型。 历史平均模型Stepehanedes于1981年将此方法应用于城市交通控制系统中。其特点有算法简单，参数可用最小二乘法进行估计，操作简单，速度快，但其由于它是一种静态的预测方法，不能反映动态交通流基本的不确定性和非线性性，无法克服随即干扰因素的影响。 时间序列-ARIMA模型由Ahmed和Cook于1979年首次在交通领域提出。在大量连续数据的基础上，此模型没有较好的预测精度，但需要复杂的参数估计，且其对历史数据的依赖性较高，成本较高。该方法技术比较成熟，特别适用于稳定的交通流。该模型只是单纯从时间序列分析的角度进行预测，没有考虑上下游路段之间的流量关系。 神经网络模型人工神经网络诞生于20世纪40年代，Schin 于1992年用之于长期的交通预测，1993年1994年Dougherty 和Clark 分别将其应用于短期交通预测。该方法在一定程度上摆脱了建立精确数学模型的困扰，为研究工作开辟了新的思路。应用较广泛的有BP神经网络-误差反传神经网络模型、单元神经网络模型、基于谱分析的神经网络模型、高阶神经网络模型和模糊神经网络模型等方法 非参数回归模型，由Davis和Smith于1991年应用到交通预测领域，该预测方法是一种适合不确定性、非线性的动态系统的非参数建模方法。无需先验知识，只需足够的历史数据。 鉴于道路交通系统的非线性、复杂性和不确定性等特征，许多无模型的预测方法被应用到短期的交通流预测当中，且取得了良好的效果，研究发现，考虑上下游道路流量的关系的预测方法更能反映实际情况，比起单纯的时间序列预测方法更加贴合实际，有更大的发展空间。
交通预测模型【对各种交通流预测模型的简要分析】
交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。
几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，
城市道路交通流预测
城市道路交通流预测 1交通流预测方法历程 在交通预测方法方面，上世纪60年代，国外就开始研究交通流预测模型，并逐渐将这些模型应用于短时交通流预测。早期得预测方法主要有时间序列法，自回归滑动平均模型(ARMA)、卡尔曼滤波预测模型等等。这些预测模型主要为线性模型，其考虑因素都较为简单，一般都用最小二乘法(LS)在线估计参数，利用历史数据线性变化趋势预测交通流参数。早期得方法具有计算简便，易于数据实时更新，便于数据量与规模较小得条件下应用得优点；但就是由于这些模型不能体现交通流得非线性与随机性，很难克服随机因素对交通流量得干扰，所以随着预测时间隔得缩短，随机因素得作用也增强了，这些模型得预测精度与实时性也就变得达不到预期得效果。 伴随着交通流量预测研究得深入进行，学者们又提出了很多更复杂得、更高精度得预测方法与模型。从表现形式上大体可分成三类：第一类就是早期以数理统计等传统数学方法为基础得线性预测模型；一类就是以现代控制理论与科学技术(如模拟技术、神经网络、模糊控制)为主要方法与手段而形成得非线性预测模型，她们得特点就是不需要精确得物理模型，在一定应用范围内却具有良好得鲁棒性、精确度；第三类主要就是前两者得组合应用，第三类方法综合了得特性，克服前两者她们得缺点，使得前两者得优点互补，从而达到很好得预测效果。这类方法建模过程较为复杂，但为短时交通流预测研究开辟了新得路径，也就是将来短时交通流预测方法得发展方向。 早在1994 年Hobeika, A、G 与Chang Kyun Kim 在文献中提出了根据截面历史数据、实时数据与上游交通流数据进行短时交通流预测。Brian L、Smith 与Miehael J、Demetsky(1997)在文献中对历史平均预测模型、时间序列预测模型、神经网络预测模型与非参数回归预测模型四种交通流预测模型进行了比较，结果非参数回归模型以其模型简单，精度高成为了小样本预测中最佳得预测
短时交通流预测研究综述
短时交通流预测研究综述 摘要：道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础。本文概述了道路交通流预测方法的发展历程,分析比较了各预测模型的优点、缺点及适用情况,给出了道路交通预测的一般流程。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于检测器优化选择的短时交通流预测算法的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;以预测的均方误差最小为目标函数，通过遗传算法优化选择合适的检测器，以小波神经网络作为预测算法进行短时交通流预测具有很高的精度和适用性。 关键词：交通工程；交通流理论；短时交通流；预测模型;神经网络算法 Research on Short-Time Traffic Flow Forecasting Methods LIU Jia-tong (1. Department of Bridge Engineering, School of Highway, Chang’an Unversity) Abstract:Prediction of road traffic flow is one of the key technologies of intelligent transportation system. This paper summarizes the development of road traffic flow forecasting methods, analyzes and compares the advantages, disadvantages and application of each forecasting model. The existing prediction methods are classified based on the method of statistical analysis: Based on the theory and methods of nonlinear theory and traffic detector based on the optimal selection of flow prediction algorithm based on prediction method and neural network method. The prediction effect of comprehensive prediction model of artificial neural network model and other fields combined than single neural network prediction model and the conventional prediction; to minimize the mean squared error as the objective function, the genetic algorithm to choose the appropriate detector with the wavelet neural network as prediction algorithm of short term traffic flow forecasting high precision and applicability. Keywords:Transportation Engineering; Traffic Flow Theory; Short-termTraffic Flow; Prediction Model; Neural Network Algorithm
城市道路交通流预测系统研究
城市道路交通流预测系统研究* 李瑞敏1马宏亮2陆化普1郭敏3 (清华大学交通研究所1北京100084)(清华大学土木工程系2北京100084) (北京市公安局公安交通管理局3北京100037) 摘要城市道路交通流实时预测是未来城市智能交通系统的重要支撑,近年来受到较多的关注。文中结合国内城市交通状况,分析了城市道路交通流实时预测系统的系统需求,包括功能需求和性能需求,在此基础上提出了系统的逻辑结构和物理结构。逻辑结构主要包括基础数据层、数据处理计算层以及应用层,提出了物理结构中的4个核心功能服务器:数据库服务器、计算服务器、GIS服务器和Web应用服务器。提出了系统的主要功能和4个主要功能模块,研究了系统的数据流过程,给出了系统实施的技术方案。经过实施检验,所提系统结构与技术方案具有良好的可行性。 关键词交通流预测;系统结构;功能模块;数据流 中图分类号:U491文献标志码:A DOI:10.3963/j.ISSN167424861.2010.01.001 随着智能交通系统的逐步发展,智能交通管理系统和先进的旅行者信息系统在城市交通管理中发挥着越来越重要的作用,而城市道路交通流的实时预测是上述2个系统的重要基础,因此,近年来其关注程度日益增加。 欧盟在其CAPIT ALS plus项目中选择了巴黎、罗马、马德里等城市作为示范城市,将交通预测工具的开发作为其中的重要内容[1]。英国在其未来10a IT S项目T raffic England中开发了交通预测的功能,可以给出主要道路未来时段的预测参数[2]。德国Bavarian州政府发起的Bayern Online的项目开发了BayernInfo的网站,其主要功能之一就是为出行者提供长、中、短期的交通流预测信息,采用了1个名为/ASDA2FOT O0的交通模型[3]。美国有一些州、市正在研究和建立交通预测系统[4],如佛罗里达州奥兰多市在I-4州际高速公路上[5]。国内学者对交通流短期预测模型进行了一定的研究,但目前尚无成功的应用案例[628],本文结合实际实施需求对城市道路交通流预测系统进行研究,并提出了实施方案,实施结果表明本方案具有良好的可行性。 1需求分析 城市道路交通流预测系统是城市智能交通系统的重要组成部分,亦是城市道路交通管理工作的重要辅助决策支持工具,系统建设的需求主要包括如下方面: 1.1功能需求 1)能够集成城市现有和未来安装的各类检测器的信息和数据。 2)能够实现对城市道路网络交通流状态的实时预测以及交通状况中长期预测。 3)可以对城市道路交通综合态势进行在线综合评价、非常态交通状态预警与交通拥挤识别等。 4)能够对路口、路段、区域的道路交通服务水平给出实时评价,为道路交通管理决策提供支持。 5)能够实现与其他系统的进一步集成,为其他系统提供预测数据。 1.2性能需求 1)实时性。对事务的响应时间一般在5s以内,对于大量的交通流数据统计应该在30s以内。 2)可靠性。系统具有双机热备的基本功能,具有良好系统安全功能。在高负荷情况下,能够实现降级模式,满足50%的可访问率。 3)可扩展性。系统应具有灵活的接口功能, 收稿日期:2009203217修回日期:2009211220 *国家高技术研发局计划(863计划)(批准号:2007AA112233)、北京市科委绿色通道项目(批准号:D07020601400705)资助作者简介:李瑞敏(1979),博士.研究方向:交通信息与控制.E2mail:lrm in@https://www.360docs.net/doc/1b7746372.html,
改进GA优化BP神经网络的短时交通流预测
第３８卷第１期 ２０１５年１月合肥工业大学学报（自然科学版）JOURNAL OF HEFEI UNIVERSITY OF T ECHNOLOGY Vol ．３８No ．１ Jan ．２０１５ 收稿日期：２０１４‐０１‐０３；修回日期：２０１４‐０８‐１０ 基金项目：国家自然科学基金重点资助项目（７１２３１００４） 作者简介：卢建中（１９８６－），男，安徽庐江人，合肥工业大学硕士生； 程 浩（１９７９－），男，安徽桐城人，博士，合肥工业大学讲师．doi ：１０．３９６９／j ．issn ．１００３‐５０６０．２０１５．０１．０２７ 改进G A 优化B P 神经网络的短时交通流预测 卢建中， 程 浩 （合肥工业大学管理学院，安徽合肥 ２３０００９） 摘 要：为了提高BP 神经网络预测模型对短时交通流的预测准确性，文章提出了一种基于改进遗传算法优化BP 神经网络的短时交通流预测方法。由于模拟退火算法具有较强的局部搜索能力，能够在搜索过程中避免陷入局部最优解，因此引入模拟退火算法中的Metropolis 接受准则来增加遗传算法的局部搜索能力，避免了遗传算法过早收敛和陷入局部最优解。通过改进的遗传算法优化BP 神经网络的权值和阈值，然后训练BP 神经网络预测模型以求得最优解。仿真结果表明，该方法对短时交通流预测具有较好的预测精确性。关键词：交通流预测；BP 神经网络；遗传算法；模拟退火算法；Metropolis 接受准则 中图分类号：T P １８３；U ４９１ 文献标识码：A 文章编号：１００３‐５０６０（２０１５）０１‐０１２７‐０５ Short ‐term traffic flow forecast based on modified GA optimized BP neural network LU Jian ‐zhong ， CHENG Hao （School of M anagement ，Hefei U niversity of T echnology ，Hefei ２３０００９，China ）Abstract ：In order to improve the accuracy of short ‐term traffic flow forecast based on BP neural net ‐work prediction model ，a forecast method based on modified genetic algorithm （GA ）optimized BP neural network is proposed ．Because the simulated annealing （SA ）algorithm has strong local search ‐ing capability and can avoid getting into limited optimum solution in the searching process ，the M e ‐tropolis acceptance criteria in the SA algorithm is introduced to GA ，w hich effectively overcomes pre ‐mature convergence and getting into limited optimum solution ．T he modified genetic algorithm is used to optimize BP neural network ’s weights and thresholds ，then the BP neural network model is trained to obtain the optimal solution ．T he simulation results show that this method is accurate in short ‐term traffic flow forecast ．Key words ：traffic flow forecast ；BP neural network ；g enetic algorithm （GA ）；simulated annealing （SA ）algorithm ；M etropolis acceptance criteria 物联网被认为是继计算机、互联网与移动通 信之后的世界信息产业的又一次浪潮，而车联网 是物联网应用于智能交通领域的集中体现，也是 物联网的一个重点领域。车联网可以实现车与人 之间、车与车之间、车与基础设施之间信息通讯的 交换，但是组建车联网过程中还有一些关键的技 术问题需要研究，如RFID 技术、车联网新协议研发、智能交通等。其中智能交通是国内外学者研究的热点，而实时准确的交通流预测是智能交通的前提和关键。根据交通流预测的时间可以将交通流划分为短时交通流、中期和长期交通流，而短时交通流预测的实时性最强、反映最为快捷，因此实际应用也最为广泛。国内外学者针对短时交通流预测建立
短时交通流预测方法综述_高慧
第22卷第1期2008年1月 济南大学学报(自然科学版) J OURNAL OF UN I VERSITY O F JI NAN (Sc.i &T ech ) Vo.l 22 No .1 Jan.2008 文章编号:1671-3559(2008)01-0088-07 收稿日期:2007-05-21 基金项目:国家自然科学基金(60674062);济南大学博士基金 (B0608);济南大学科研基金(Y0601)。 作者简介:高 慧(1982-),女,山东德州人,硕士生;赵建玉 (1966-),女,山东临沂人,副教授,硕士生导师。 短时交通流预测方法综述 高 慧1 ,赵建玉1 ,贾 磊 2 (1.济南大学控制科学与工程学院,山东济南250022;2.山东大学控制科学与工程学院,山东济南250061) 摘 要:以交通流预测研究的步骤为主线,对短时交通流预测的方法进行研究。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于新兴技术的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;基于非线性理论的预测方法有较好的发展前景。 关键词:智能交通;数据采集;数据预处理;交通流预测中图分类号:U 491.112 文献标识码:A 交通系统 [1] 是支持社会经济发展的基础设施 和 循环系统 ,在社会经济系统中占有重要的地位。交通问题解决的好与坏,直接影响着国民经济 的发展与人民生活质量的提高。当今世界各国的大城市无不存在着交通拥挤问题。交通问题在一定程度上已经成为制约经济、社会稳定发展的 瓶颈 问题。然而有限的土地和经济制约等使得道路建设不可能达到相对满意的里程数,所以就需要在不扩张路网规模的前提下,综合运用现代信息与通讯技术等手段来提高交通运输的效率,以提高交通路网的通行能力。于是,运用各种高新技术系统地解决道路交通问题的思想就应运而生了,这就是智能交通系统I TS(intelligent transport syste m ) [2-3] 。 交通控制与诱导系统是I T S 研究的热门核心课 题,而实现交通流诱导系统的关键问题是实时准确的交通流量预测,即如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况。其结果可以直接送到先进的交通信息系统(ATIS)和先进的交通管理系统(ATM S)当中,给出行者提供实时有效的信息,帮助他们更好地进行路径选择,实现路 径诱导,以缩减出行时间,减少交通拥挤。这种预测称为短期预测(short-ter m forecasting),它是微观意义上的,与中观和宏观意义上的以小时、天、月甚至 是年计算的基于交通规划的战略预测(strateg ic fore -casting)是有本质区别的 [4-5] 。 1 数据采集 最初的交通参数信息采集方法都是非自动的人工采集方法,包括人工观测法和摄影法等。自20世纪30年代美国研制出 声控 式感应式交通信号控制机以来,交通量检测器技术得到了迅速发展,特别是近20年来出现了大量的新型交通量检测器。交通量检测器的种类很多,主要有:环形线圈检测器,超声波检测器,磁感应式检测器,光辐射式检测器,雷达检测器,视频检测器等。目前应用较多的是环形线圈检测器、超声波检测器和视频检测器。1.1 环形线圈检测器方法 环形线圈检测器 [6] 出现于20世纪60年代,是 目前交通控制中应用最广的交通量检测器。该检测器是一种基于电磁感应原理的车辆检测器,它的传感器是一个埋设在路面下、通有一定交变电流的环 形线圈。当车辆通过线圈或停在线圈上时,车辆引起线圈回路电感量的变化,检测器可检测出该变化,基于此原理采集交通量。1.2 超声波检测器方法 超声波检测器 [1] 是通过接收由超声波探头发 出并经过车辆反射的超声波来检测车辆的。超声波检测器的工作原理可分为两种:传播时间差法和多普勒法。 传播时间差法,超声波检测器的探头向路面发射超声波然后接受其反射波,当有车辆时,超声波会经车辆反射提前返回。多普勒法,超声波探头向空间发射超声波同时接收信号,如果有移动物体,那么接收到的反射波信号就会呈现多普勒效应。
公路交通拥堵现象的建模与分析
龙源期刊网 https://www.360docs.net/doc/1b7746372.html, 公路交通拥堵现象的建模与分析 作者：陆睿得 来源：《科学家》2017年第11期 摘要公路交通的便利程度直接影响着社会经济的发展步伐，随着我国汽车保有量的增加，道路交通的拥堵问题日益严重。通过对交通拥堵现象的观察，本文对该问题进行了理论建模。相对于经典的模型，该理论模型的计算结果更加符合人们的日常经验。此外，我们还分析了车祸等因素对交通的影响，并根据计算结果提出了几种解决拥堵现象的可能方案。 关键词道路；拥堵；车流量；车祸 中图分类号 U4 文献标识码 A 文章编号 2095-6363（2017）11-0023-02 “要致富，先修路”的顺口溜说明了一个朴素的道理：公路交通的便利可以降低运输成本，促进不同地区之间的合作交流，吸引外来投资，并促进社会经济健康发展。近些年来，国家对于公路建设的重视程度不断提高，在高速公路建设方面尤为突出，比如，2016年全国新增高 速公路里程达到4 500千米，相当于北京到上海距离的3.7倍。 伴随着城市化进程的加快，城市人口的暴增引发了严重的交通问题。资料显示，我国市区的汽车行驶平均速度已经从60年代的25km/h～30km/h下降到了现在的10km/h～15km/h[1]。交通的拥堵不仅增加了人们出行的成本，制约了社会发展的步伐，降低了道路建设的效用，更带来了巨额的经济损失。只有深刻理解道路拥堵问题产生的原因，我们才能对症下药，提出合理的解决对策。因此，建立有效描述道路拥堵现象的理论模型是非常必要的。 通过观察车辆在道路上的运行规律，本文建立了道路拥堵的理论模型，并用该模型的结果与前人的经典理论进行了比对。基于本文的理论模型，还进一步分析了影响车流量的因素，提出了几种降低道路拥堵的可能方案。 1 拥堵现象的理论建模 为了描述道路拥堵现象，我们需要考虑总车流量Q，平均车流速度v和车流密度K这几个量之间的关系。根据车流现象的物理过程，我们有： （1） 当道路拥堵（即车流密度较大）时，车流速度v较慢；反之当道路车辆较少（即车流密度较小）时，车速较快。描述该现象的一个经典理论模型为Greenshield模型[2-3]，它假设车流密度K与车流速度v之间存在线性关系，且当道路上车流密度K最大时，车行速度v为0。如图 1（a）所示，该关系可写为：
交通流预测模型综述
交通流预测模型综述 摘要： 随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。为了缓解交通压力，交通专家也提出了各种不同的方法。在交通网络越来越复杂的今天，交通流预测在智能交通系统中是个热门的研究领域，因为正确的交通流预测，可以进行实时交通信号控制，交通分配、路径诱导、自动导航，事故检测等。本文从交通流短期预测模型出发，分析常见预测模型的优缺点，得出综合模型进行预测将是交通流预测领域的发展趋势。 关键字：交通流预测，智能交通系统，综合模型 Traffic flow predictive models review Abstract: With the development of society, traffic accidents, traffic jams, environmental pollution and energy consumption problems become more and more serious. In order to alleviate traffic pressure, traffic experts also puts forward all kinds of different methods. In the traffic network is more and more complex today, traffic flow predictive in intelligent transportation system is a hot research fields, because the correct traffic flow predictive, can real-time traffic signal control, traffic distribution, route guidance, automatic navigation, accident detection, etc. This article from short-term prediction model of traffic flow, analyzes the advantages and disadvantages of common prediction model, it is concluded that predict comprehensive model will be traffic flow predictive areas of development trend. Keywords:Traffic flow predictive, Intelligent transportation system, integrated model 引言 目前，有关交通流预测方面的研究已取得大量的成果，建立了多种实时交通量预测的方法，其预测精度也达到了较高水平。本文先是通过研究分析不同交通流短期预测模型的优缺点，然后对具有优势的基于神经网络的综合模型进行模型的构建。 一、交通流预测概述 （一）交通流预测的必要性 随着人们生活水平的提高，私家车的数量、人们出行的次数等越来越多，使得交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。很多城市也陷入了“拥有最宽阔的马路，也拥有最宽阔的…停车场?”的困境，严重影响了城市的运转效率，客观上阻碍了社会、经济的快速发展。多年来，世界各国的城市交通专家提出各种不同的方法，试图通过先进的智能交通手段来缓解交通拥堵问题。而实现这些系统或方法的关键，不仅要有实时的道路检测数据，更重要的是，要获得实时、可靠、准确的预测信息。再利用动态路径诱导和交通信息系统为出行者提供实时有效的道路信息，实现动态路径诱导，达到节约出行者旅行时间，缓解道路拥堵，减少污染、节省能源等的目的。因此，准确、可靠的交通预测信息是动态路径诱导系统的基础和关键。
基于交通流预测的最大化关键道路通行能力的方法与制作流程
图片简介: 本技术涉及一种采用基于物联网、大数据信息技术尤其是深度神经网络的解决方案，通过采集路网交通流短时与长时段历史数据，运用Node2vec与图多注意力神经网络(GMAN)融合机制的深度学习，训练出预测模型并预测出当前时间点之后30分钟路网目标路段和节点交通流状态，并根据预测结果对信号灯的绿信比作实时智能反馈，从而达到精准限流、最大化挖掘路网通行能力、减少事故造成的拥堵和交通瘫痪的目的。本技术从交通数据采集和转换到交通信号灯的调整控制，形成了一套完整的最大化关键道路通行能力的方法，并在实际工程上进行了应用验证，达到了精准限流、最大化挖掘路网通行能力、减少事故造成的拥堵和交通瘫痪的效果。 技术要求 1.一种基于交通流预测的最大化关键道路通行能力的方法，包括以下步骤: A、数据采集与存储 通过路网安放的交通流传感器，采集分钟时间段内的路网交通流数据，每条基于时间序列的数据包括时间(分钟)、地点(传感器编号)、交通流量(在该分钟内车辆累计通过数量)；同时采集路网主数据和天气、节假日、重大事件信息，并将采集到的信息进行存储； B、深度学习模型训练
(1)利用路网图邻接矩阵来描述交通流采样传感器的相对位置和关系,邻接矩阵的每一行表示每条边的起点、终点和权重，其中权重表示两个顶点之间的连接道路的距离； (2)利用Node2vec来产生网络中节点向量，通过深度优先随机游走方式对图中节点进行采样，对于每个点都会生成对应的序列，再将这些序列视为文本导入word2vec中的skip-gram模型进行训练，得到每个节点的向量； (3)对采样时间、天气、节假日、重大事件信息等类别分别进行独热(One-Hot)编码，最后拼接所有的独热向量和连续向量成为一个高维度的向量Ut； (4)对于通过传感器得到的时间序列的数据，进行转化并构建出训练数据； (5)结合以上数据，使用图多注意力神经网络(GMAN)训练一个深度图神经网络的交通流量预测模型； (6)使用当前时间前30分钟采集的数据，输出经过步骤(5)训练的路网中当前时间后30分钟的交通流； (7)通过步骤(6)得到的关键道路的预测交通流与该关键道路最大通行能力进行对比，来确定是否需要启动信号灯控制来限制连接道路对关键道路的交通流压力； (8)信号灯调整 信号灯控制系统包含微控制单元(MCU)、4G数据透传模块、若干继电器组成； 4G数据透传模块通过串口连接到微控制单元，用于接收来自交通指挥中心的信号灯时长调整数据； 继电器和微控制单元的输出口连接，用于接收微控制单元的控制信号； 各个继电器分别和相应的信号灯电路连接，当某一继电器接收到来自微控制单元的输出数据后，可以点亮或者熄灭相应的与该继电器连接的信号灯； 具体的规则是：在一个工作周期里，微控制单元通过继电器点亮东西向绿灯，同时点亮南北向红灯；然后，微控制单元内置的计时器开始计时，等待东西向绿灯时长秒数到达后，通过继电器信号熄灭东西绿灯，并点亮东西向黄灯，此时，南北向红灯的时长尚未到达； 东西向黄灯点亮并等待相应的时长后，微控制单元熄灭东西向黄灯，并点亮东西向红灯；此时，南北向红灯的计时器的时长秒数刚好到达，微控制同时熄灭了南北向的红灯，点亮南北向的绿灯； 同理，南北向的绿灯在点亮后达一定的绿灯时长后，微控制器熄灭南北绿灯，并点亮南北向黄灯，此时东西向红灯等待时长尚未到达；南北向黄灯点亮后达一定时长后，刚好东西向红灯的等待时长秒数也刚好到达。
基于LVQ神经网络的交通拥堵预测研究 沈小军
基于L V Q神经网络 的交通拥堵预测研究 沈小军陈 峻王 晨 东南大学，交通学院，南京 210096 摘 要：面对大量的交通参数数据，如何快速建立高效的分类预测模型以尽快地对拥堵状态进行判别是一个重要的问题。本文利用检测器提供的车速、流量和占有率等相关参数信息，提出了基于学习向量量化(LVQ)神经网络的交通拥堵预测模型。通过使用Matlab7.3数学软件的神经网络工具箱对该神经网络不断地训练，最终可以对道路正常状态和拥堵状态进行分类，通过交通流参数数据的输入预测出路段交通拥堵状况。最后，给出算例进行网络训练和测试，训练结果表明，运用该算法进行交通拥堵预测取得了良好的效果，具有一定的现实意义。 关键词：学习向量量化神经网络；交通拥堵；预测；Matlab 中图分类号：U491.2+65 文献标识码：A 文章编号：1672-4747（2009）03-0097-06 Prediction of Traffic Congestion Based on L VQ Neural Network SHEN Xiao-Jun CHEN Jun WANG Chen School of Transportation，Southeast University， Nanjing 210096，China Abstract：For a large number of traffic parameter data, it is an important issue that how to set up an efficient model of classification and prediction to identify the congestion state as soon as possible. The article provided a model to predict traffic congestion based on the learning vector quantization neural network by using the traffic parameters such 收稿日期：2008-11-26. 基金项目：“十一五”国家科技支撑计划（2006BAJ18B01）和国家高技术研究发展计划（2008AA11Z201）。 作者简介：沈小军（1985?），男，江苏海门人，东南大学交通学院硕士研究生，研究方向为交通规划与管理。 97
多分类器组合的交通拥堵预测模型研究_李春英
0引言 交通拥堵是交通拥挤和交通堵塞的统称，目前各国用来衡量交通拥堵的参数主要有拥堵时间、排队长度、车速等。中国公安部则对拥堵路段给出了定义：车辆在车行道上受阻且排队长度超过l km 的状态。美国诺贝尔奖获得者Gary S.Becker 曾做过一个测算，全球每年因交通拥堵造成的损失占GDP 的2.5%[1]，造成巨大的资源浪费。在中国由于汽车保有量的急剧上升，这种趋势还在增加。对于交通拥堵的治理，应该尽量做到事前处理，即当道路的交通状态出现轻度拥挤现象时，能够通过拥堵预测系统分析出短时间内的交通状态变化趋势，然后利用GPS 信息平台、广播等发出预警，诱导车辆进行合理分配行驶、加强秩序管理，来避免拥堵或缓解拥堵程度。国内外大多数文献对于交通拥堵识别预测方法，主要有人工判别法、模糊理论、模式识别、神经网络等技术，不过单独利用其中一种方法进行交通拥堵的判别，其准确率及可靠性难以保证[2]。 并且多数文献中主要利用交通流信息来预测交通拥堵，利用交通流检测信息及环境信息多源组合来进行城市交通拥堵判别的文献较少。文中充分考虑各种环境因素的基础上采用多分类器组合的方法来保证模型的稳定性，为提高预测的准确程度，采用了Bagging 类算法形成单分类器的训练集，然后通过简单多数投票法对城市道路的交通状态进行集成决策。实验数据表明，多分类器组合的模型在城市道路拥堵预测方面是可行的，可以提高BP 神经网络的泛化能力和获得更高的识别率，能够为交通拥堵预警及诱导系统提供数据上的支持。 1输入数据处理分析 现实中一些环境因素对于城市道路交通状态的影响是非 常重要的，比如暴雨经常容易造成交通瘫痪，上、下班的高峰时段容易造成道路拥挤，另外节假日和一些市政施工等也会造成道路拥挤。因此本文对于交通状态预测模型的输入数据主要有两部分组成：一类是环境因素，对于环境因素的处理涉 收稿日期：2010-05-20；修订日期：2010-07-22。 智能技术
交通流预测
目录 摘要.............................................................. I I 绪论. (1) 一、单因素方差分析 (1) 1.1单因素方差分析简介 (1) 1.2单因素方差分析模型 (2) 二、单因素方差分析的应用 (3) 2.1问题叙述 (3) 2.2模型假设 (4) 2.3符号说明 (4) 2.4模型的建立与求解 (5) 三、模型评价与推广 (17) 参考文献 (18) 致谢.............................................. 错误！未定义书签。
摘 要 本文研究的是估算当车道被占用时对城市道路的通行能力影响程度，并且通过本次研究分析为交通管理部门正确引导车辆行驶、审批占道施工、设计道路渠化方案、设置路边停车位等提供理论依据。根据观测数据，结合数学软件，采用应用交通流波动理论与数据分析相关方法对事故所处横截面通行能力变化进行分析，以及占道不同对横截面通行能力的影响的说明。 对于问题一，我们提取了视频1的交通调查数据，并进行了预处理，对本文中一些需要用的专有名词进行定义，初步的对事故发生横断面实际通行能力变化进行分析，得到横截面实际通行能力变化是周期性振幅可变的运动。 对于问题二，我们观察了视频2进行了类似的处理，然后运用SASV8进行描述统计分析和以占用车道的变化进行单因素方差分析，最后得到检验p 值为 0222.0，对于所占车道不同对该横断面实际通行能力影响有显著性差异，并检验 了同时置信区间至少95%置信度下，2u 比1u 大。 对于问题三，建立基于交通流理论的交通事故影响路段车辆排队长度计算模型，以流体动力学为基本原理，模拟流体的连续性方程，建立车流的连续性方程。由事故持续时间的长短分三种情况，建立起路段车辆排队长度与事故横断面实际通行能力、事故持续时间、路段上游车流量间的关系。 对于问题四，我们针对问题三所建立的模型对视频1进行了更深层的数据调查与处理，并运用题设数据对模型进行求解，得到结果0.2016h 1 T 。 关键字：实际通行能力 单因素方差分析 交通流理论