摘要：随着城市经济的不断进展和私家车的急速增加，传统的交通方式在现代交通中遇到了越来越多的不足，如交通拥堵、空气污染、交通事故等。采取不断修建新道路的策略来缓解巨大的交通压力已不切实际。为了应对这些棘手不足，智能交通系统（Intelpgent TransportationSystems，简称ITS）被引入到动态交通管理中，而且得到了快速进展。结合信息技术和交通论述，智能交通系统被用于道路交通制约、交通诱导等各个方面。经过近些年的运用，在缓解交通拥堵、提升出行效率等方面，ITS显示出巨大的潜力。作为ITS的一个分支，交通预测在智能化管理和动态制约中始终占有重要地位。对交通路网的动态制约，依赖于短时/中时交通状态预测的效果。对不同时间间隔的实时交通状态的连续预测能力是交通管理系统提供动态交通制约的必要需求。准确的交通预测模型对于更好地浅析路网交通情况，规划交通网络和实现交通优化制约对策都有十分重要的作用。近几十年来，不同领域的探讨者以各自的角度对交通预测的特性进行了浅析，并建立了许多模型。本论文以现有的交通预测模型为基础，浅析了多种主要模型的优缺点，并提出了改善的预测模型。采取两种道路网络的真实交通数据，本论文对各种模型进行了深入的浅析，并比较其效果，初步探讨了交通预测建模在路网交通状态浅析中的运用。一方面，城市道路交通分高速路网和城市主干道路网两种情况，本论文对这两种路网分别进行了探讨；另一方面，按照交通状态数据不同的时间间隔，本论文同时检验了中时和短时预测两种情形，并对模型进行了比较探讨。论文的主要工作如下：1.通过所获得的路网交通状态数据，充分利用空间-时间交通信息，可以对路网的交通运转情况作出准确的判断，给出更合理的预测。本探讨通过美国高速公路评测系统（FreewayPerformance Measurement System，简称PeMS）网站获取了加利福尼亚洲际高速路网的行程时间指数（Trel Time Index，简称TTI）数据，对整合后的1-小时间隔的交通数据进行探讨，实时浅析了高速路网的整体运转情况。同时，本论文还针对城市道路网络中的交通流数据进行了相关探讨，利用悉尼交通自适应协调系统（Sydney Coordinated AdaptiveTraffic System，简称SCATS）所获取的上海市徐汇区衡山路、吴兴路路段15-分钟间隔交通流量数据，对城市主干道路网的交通情况建立了预测模型。2.选择时间间隔不同的两个交通数据源可以更全面地浅析各种预测模型的性能，考虑到交通数据的不完备性不足，本探讨提出两种不同的策略对路网交通状态作出浅析。其一是对所获取的路网数据进行适当整合，对整个道路网络的交通情况进行宏观判断；其二是以微观角度出发，以路网中各路段的拓扑联系为基础，进行交通状态参数的相关性浅析，运用时空信息进行交通预测。选择两种交通数据可以分别验证这两种浅析策略，实验采取了绝对平均误差（Mean Absolute Error，简称MAE）、均方根误差（Root Mean SquareError，简称RMSE）、平均绝对百分误差（Mean Absolute Percentage Error，简称MAPE）和绝对百分方差（Variance of Absolute Percentage Error，简称VAPE）等对各种预测模型进行误差浅析和比较。3.以源自两种路网的交通状态数据为基础，对基本预测模型进行分类探讨，提出时空状态空间法与模型相结合的策略，验证了最小二乘支持向量机模型（Least Squares SupportVector Machines，简称LS-SVM）和T-S模糊预测模型（Fuzzy T-S）两种非参数预测模型的有效性。同时，浅析了卡尔曼滤波预测模型（Kalman Filtering，简称KF）、自回归移动平均模型（Autoregressive MovingAverage，简称ARMA）、历史平均模型（Historical Mean，简称HM）、线性最小二乘回归模型（Linear Least Squares Regression，简称LLSR）、径向基函数神经网络模型（Radial Basis Function Neural Network，简称RBF-NN）和支持向量回归模型（Support Vector Regression，简称SVR）的预测性能，考察了多种模型参数，进行实验比较，并采取多种误差标准对其浅析。4.以获取的两种交通数据和对基本预测模型的浅析为基础，考虑到基本模型预测各自的特点具有优势互补性，以及组合预测模型能够有效减少单个模型预测历程中一些环境随机因素的影响等特点，并以交通信息发布、处理的实时性要求为依据，在交通领域改善并进展了线性组合预测的思想，并详细验证了六种线性组合策略：等权值预测法（EqualWeights，简称EW）、最优权值预测法（Optimal Weights，简称OW）、最小绝对值误差法（Minimum Error III，简称ME IME II）和最小方差法（Minimum Variance III，简称MV IMV II）。通过多个误差标准对202种组合模型进行的误差浅析和性能比较证明，2-模型线性组合预测的预测精度和稳定性都要优于基本预测模型。5.受变权值线性组合预测模型的启发，同时考虑到交互式多模型（Interacting Multiple Model，简称IMM）在混合系统估计中体现出的相似特点，本论文提出了IMM组合预测模型。IMM算法的递归性、模块化、计算量固定这三个理想的特性决定了它可以用于实时交通状态预测。而且，利用IMM选择多个预测模型进行组合符合交通信息处理的要求。采取两种时间间隔不同的交通数据，实验通过排列组合探讨了所有基本模型的各种IMM组合，并与基本模型和线性组合模型作出比较，其浅析结果证明了2-模型IMM组合预测的有效性和鲁棒性。关键词：智能交通系统论文路网交通论文空时浅析论文基本预测模型论文线性组合预测模型论文IMM组合预测模型论文
摘要3-6
ABSTRACT6-12
第一章 绪论12-35
1.1 课题背景及作用12-13
1.2 智能交通系统（ITS）13-16
1.3 国内外探讨近况16-31
1.3.1 基本交通预测模型19-29
1.3.2 组合交通预测模型29-30
1.3.3 国内外探讨小结30-31
1.4 本论文主要工作与革新31-33
1.5 论文结构33-35
第二章 交通状态参数与实验数据来源35-49
2.1 交通状态信息特点参数35-38
2.1.1 行程时间36
2.1.2 交通流量36-37
2.1.3 车辆速度37-38
2.2 交通数据不完备的描述38-39
2.3 实验数据来源39-48
2.3.1 行程时间指数数据源39-44
2.3.2 交通流量数据源44-48
2.4 本章小结48-49
第三章 基本预测模型探讨49-76
3.1 卡尔曼预测模型49-52
3.1.1 Kalman 滤波论述49-50
3.1.2 基于 Kalman 滤波的道路状态预测原理50-52
3.2 自回归移动平均模型52-56
3.2.1 建模变量的选取52-53
3.2.2 ARMA(p, q)模型的定义53-56
3.3 历史/空间平均模型56-57
3.4 线性最小二乘回归模型57-59
3.5 径向基函数神经网络59-62
3.6 支持向量机模型62-69
3.6.1 统计学习论述的核心不足63-64
3.6.2 支持向量回归算法及模型64-66
3.6.3 最小二乘支持向量回归算法及模型66-69
3.7 非线性复杂系统的 T-S 模糊预测模型69-72
3.8 交通状态空时浅析策略72-75
3.8.1 状态空间72-74
3.8.2 自相关函数74
3.8.3 皮尔森相联系数74-75
3.9 本章小结75-76
第四章 组合预测模型探讨76-88
4.1 变权重线性组合模型76-81
4.1.1 等权值预测法77-78
4.1.2 最优权值预测法78-79
4.1.3 最小绝对误差法79-80
4.1.4 最小方差法80-81
4.2 基于交互式多模型的组合预测81-87
4.2.1 离散时间线性系统状态估计不足的一般描述82-83
4.2.2 混合系统状态估计论述83-87
4.3 本章小结87-88
第五章 高速路网行程时间指数数据的预测实验88-123
5.1 基本预测模型探讨91-107
5.2 线性组合预测模型探讨107-117
5.3 基于 IMM 的组合预测探讨117-121
5.4 高速路网预测实验结论121-122
5.5 本章小结122-123
第六章 城市主干道路网交通流量数据的预测实验123-154
6.1 基本预测模型探讨127-135
6.2 线性组合预测模型探讨135-145
6.3 基于 IMM 的组合预测探讨145-151
6.4 城市主干道路网预测实验结论151-153
6.5 本章小结153-154
第七章 结论与展望154-157
本站原创