结合实时交通信息的动态交通流量预测模型

小波神经网络的时间序列预测-短时交通流量预测

%% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n);

d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end

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。

交通流量数学模型

交通量优化配置 摘要 城市交通拥挤现象是城市交通规划最为明显的失策现象之一。从某种程度上说，城市交通拥挤现象是汽车社会的产物，特别是在人们上下班的高峰期．交通拥挤现象尤为明显。“据统计，上海市由于交通拥挤，各种机动车辆时速普遍下降，50年代初为25km 现在却降为15kin左右。一些交通繁忙路段，高峰时车辆的平均时速只有3—4km。交通阻塞导致时间和能源的严重浪费，影响城市经济的效率。”城市交通拥挤现象是现代我国大中城市存在的普遍问题．由于公交车、小汽车流量较多，加上餐饮业商贸功能聚集，使本来就不宽的道路变得拥挤不堪，给进行物资运输，急救抢险，紧急疏散等状况带来不便。其中，城市各路段交通流量的合理分配可以有效缓解道路发生拥挤。接下来，我们将模拟一个交通网络，用节点流量方程、环路定理、网络图论模型去合理分配该交通网络的交通流量已达到交通量优化配置。 关键字：交通流量、节点、环路、网络图论

一、问题重述 我们模拟某区域道路网络如图1所示，每条道路等级（车道数）完全相同，某时间段内，有N辆车要从节点1出发，目的地是节点0（假设该时间段内，路网中没有其它车辆）。在该时间段内，道路截面经过的车辆数越多，车辆在该路段行驶的速度就越慢。 我们在此要解决的问题是确定有效的行驶路径及其算法，合理分配每条道路的交通流量，使N辆车从节点1到节点0的总行驶时间最小。

二、模型假设 1）各路段单向通车 2）道路截面经过的车辆数与车辆在该路段行驶的速度成反比例函数关系 3）车流密度均匀不变 4）假设N辆车在极短时间内全部开出（即把车当做质点）5）各环路两条支路对时间负载均衡 三、变量说明 I i m节点到n节点支路的车流数量 t i车辆从m节点到n节点经过所花费的时间 Q 流量 v车速 L纵向路长 2L 横向路长 K反比例系数 ρ*t 车流密度随时间的函数

交通流量的神经网络预测研究

交通流量的神经网络预测研究 [摘要]交通流量预测问题是交通信息预测的核心问题，进行交通流量预测理论体系的研究，对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析和介绍，并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据，我们采用了分区间段进行数据整理，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。 [关键词]交通信息交通流预测 BP神经网络

Research on neural network prediction of traffic flow [Abstract] Traffic flow forecasting is the core problem of traffic information prediction,theory system in the prediction of traffic flow,is very important for improving our countrytraffic congestion has academic value and practical significance.Th is paper based on summarizing the domestic and foreign research results,analyzes and introduces the existing traffic flow forecasting methods, andanalysis to predict the traffic flow by neural network. based on centralized distribution of traffic flow and combined with the actual traffic flow data. We use the inter partition of data processing during the process of BP neural network can be used to traffic flow prediction by comparing the predicted results ,proves that BP neural network has the good forecast effect. [Keywords] Traffic Information Traffic flow Prediction BP neural network

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，

交通流量数学模型

交通流量数学模型 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT

交通量优化配置 摘要 城市交通拥挤现象是城市交通规划最为明显的失策现象之一。从某种程度上说，城市交通拥挤现象是汽车社会的产物，特别是在人们上下班的高峰期．交通拥挤现象尤为明显。“据统计，上海市由于交通拥挤，各种机动车辆时速普遍下降，50年代初为25km现在却降为15kin左右。一些交通繁忙路段，高峰时车辆的平均时速只有3—4km。交通阻塞导致时间和能源的严重浪费，影响城市经济的效率。”城市交通拥挤现象是现代我国大中城市存在的普遍问题．由于公交车、小汽车流量较多，加上餐饮业商贸功能聚集，使本来就不宽的道路变得拥挤不堪，给进行物资运输，急救抢险，紧急疏散等状况带来不便。其中，城市各路段交通流量的合理分配可以有效缓解道路发生拥挤。接下来，我们将模拟一个交通网络，用节点流量方程、环路定理、网络图论模型去合理分配该交通网络的交通流量已达到交通量优化配置。 关键字：交通流量、节点、环路、网络图论

一、问题重述 我们模拟某区域道路网络如图1所示，每条道路等级（车道数）完全相同，某时间段内，有N辆车要从节点1出发，目的地是节点0（假设该时间段内，路网中没有其它车辆）。在该时间段内，道路截面经过的车辆数越多，车辆在该路段行驶的速度就越慢。 我们在此要解决的问题是确定有效的行驶路径及其算法，合理分配每条道路的交通流量，使N辆车从节点1到节点0的总行驶时间最小。 二、模型假设 1）各路段单向通车 2）道路截面经过的车辆数与车辆在该路段行驶的速度成反比例函数关系 3）车流密度均匀不变 4）假设N辆车在极短时间内全部开出（即把车当做质点）5）各环路两条支路对时间负载均衡

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。早期的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。早期的方法具有计算简便，易于数据实时更新，便于数据量和规模较小的条件下应用的优点；但是由于这些模型不能体现交通流的非线性和随机性，很难克服随机因素对交通流量的干扰，所以随着预测时间隔的缩短，随机因素的作用也增强了，这些模型的预测精度和实时性也就变得达不到预期的效果。 伴随着交通流量预测研究的深入进行，学者们又提出了很多更复杂的、更高精度的预测方法和模型。从表现形式上大体可分成三类：第一类是早期以数理统计等传统数学方法为基础的线性预测模型；一类是以现代控制理论和科学技术(如模拟技术、神经网络、模糊控制)为主要方法和手段而形成的非线性预测模型，他们的特点是不需要精确的物理模型，在一定应用范围内却具有良好的鲁棒性、精确度；第三类主要是前两者的组合应用，第三类方法综合了的特性，克服前两者他们的缺点，使得前两者的优点互补，从而达到很好的预测效果。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的路径，也是将来短时交通流预测方法的发展方向。 早在1994 年Hobeika, A. G 和Chang Kyun Kim 在文献中提出了根据截面历史数据、实时数据和上游交通流数据进行短时交通流预测。Brian L. Smith 和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、神经网络预测模型和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的

短期交通流量预测

短期交通流量预测 摘要 交通流量是一种对于一段时间在某个路口通过的交通实体量，在现在的社会中，智能运输系统等交通理论的研究已经渐渐成为发达国家的研究对象，而交通流量预测分析是其中的核心研究之一。所以，对于交通流量的预测成为叩开智能交通系统大门的最有力的那一把钥匙。 在前面，我们首先面临的一个问题是对于数据的处理。题目以15分钟为一个时间段来测量交通流量，一共有三天的数据，应该有288个数据，但是题目只给出了276个。另外，在数据中还有两个为负的数据。面对缺失数据和异常数据，我们分别使用了热卡插补法和平均值填补法来解决。 然后在进行预测时，我们分别使用了不同的软件来建立不同的预测模型。首先我们使用了灰色预测GM软件来进行灰色模型的预测，在预测前，我们先用模型和前两天的交通流量来预测第三天的交通流量，然后将第三天的真实交通流量与预测交通流量进行相关性检验，检验通过后，再用于预测第四天的交通流量，最后评价模型的好坏。 接着，我们使用了spss软件来进行回归分析模型的预测。在预测之前，我们需要先对数据进行相关性检验，若没有相关性，则回归方程会没有意义。接下来，通过对回归方法的决定性系数检验和方差分析检验，得到最合适方法。之后再进行第四天的预测及预测结果的评价。 然后，我们使用了metlab软件来实现BP神经网络模型的预测。BP神经网

络的实质是用已给出的数据来推出需要的数据，并将新预测出的数据重新返回输入中，得到误差，一直重复，直到误差到达合理的围。在预测之前，我们先得出了误差在合理围，并且看到已给出数据的真实值与预测值得对比。在确保模型是可用的之后，在进行预测与预测结果的评价。 最后，我们使用了eview软件来进行时间序列的预测。时间序列预测要求数据必须是平稳的，所以在预测前，先要对数据进行ADF检验，在检验通过后，才能进行预测，得到预测后的表达式和残差。在最后，还必须对残差进行分析估计。这样之后，对模型进行评价。 在本文的最后，我们进行了进一步的讨论和改进，对四种预测方法进行了一个比较，判断出那个模型是最适合这个题目的。并且对文章中所涉及的模型进行推广，使其更便于运用于生活实际中。 关键词：eviews 热卡插补法相关性检验神经网络时间序列ADF检验

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。

基于四阶段法的城市轨道交通客流预测模型研究开题分析报告

基于四阶段法的城市轨道交通客流预测模型研究开题报告

————————————————————————————————作者：————————————————————————————————日期： 2

毕业设计（论文）开题报告 姓名学号专业 设计（论文）题目基于四阶段法的城市轨道交通客流预测模型研究 1. 毕业设计(论文)的目的及意义（含国内外的研究现状分析）： 1.1研究的目的及意义 1.1.1研究目的 随着我国经济快速发展，城市化进程日趋加快，城市人口规模和机动车数量急剧增加，直接导致交通出行量大幅增加，由此引发一系列的交通问题，其中交通拥堵问题最为突出。解决该问题的方法除了控制车辆增长速度以外，大力发展城市轨道交通是一个重要解决手段。 城市轨道交通对城市的发展模式和布局有着重要影响，而城市轨道交通客流量预测是轨道交通建设的基础和前提，在轨道交通建设项目可行性研究和交通状况评价过程中都需要进行交通情况调查和交通量预测。因此城市轨道交通客流量的预测直接关系到城市轨道交通项目建设的科学性和合理性，具有重要的现实意义和理论价值。 1.1.2研究意义 城市轨道交通客流预测是城市轨道交通项目建设的一项重要的基础工作,是确定城市轨道交通建设规模和站点布局的重要依据,是城市轨道交通网络合理规划和初步运营的前提条件。目前，传统的四阶段客流预测方法被广泛地应用于交通客流量预测，虽然这些实践工作为四阶段法进行轨道交通客流预测提供了借鉴以及理论实践案例,但是由于轨道交通自身的特点,运用四阶段法预测交通客流时,考虑的因素和预测程序都较为复杂，因此在研究和实践过程中,传统四阶段法还存在不足之处,为了使四阶段法的交通客流预测结果更能符合城市轨道交通的特点,使其更加实用和完善,对其进行改进具有重大的现实意义和理论价值。通过本课题的研究，有助于发现传统四阶段法所存在的缺点，并对其进行改进，为轨道交通量预测提供新的方法和理论依据，更加合理地规划轨道交通网络和城市空间布局。 1.2国内外研究现状 1.2.1国外研究现状 针对交通量预测，HRB和BRP最先运用转移曲线法实现了交通量分配预测，Moore和Schneider等人在前者的基础上，建立全有全无模型进行交通量分配预测，但是预测结果容

曹安公路远期交通流量预测

曹安公路远期交通流量预测——以华江支路——嘉金高速段为基础 学院：交通运输工程学院 学号： 姓名：

目录 一、报告概述 (3) 工作目标 (3) 工作内容 (3) 技术路线 (3) 二、调查道路和交叉口概述 (4) 三、调查数据处理与现状分析 (4) 3.1调查数据汇总及标准车换算 (4) 3.2路段流量推算 (5) 3.3 AADT计算 (6) 3.4现状分析 (7) 四、远期流量预测 (8) 4.1基于弹性系数的远期交通量预测 (10) 4.2基于线性回归的远期交通量预测 (11) 4.3基于人工神经网络为融合基础的远期交通量组合预测 (12) 五、预测结果分析 (14)

一、报告概述： 工作目标 根据曹安公路华江支路——嘉金高速段历年交通流量数据，综合现场调查结果，预测该段2020—2025年年平均日交通量，并对未来曹安公路道路建设工程提出合理意见。 工作内容 现场数据采集：收集曹安公路华江支路——嘉金高速段两交叉口早晨8：00—9：00车流量； 数据处理与分析：（1）现状与历年流量的差异及差异出现的原因（2）变化趋势与历年趋势的对比，说明影响预测结果的主要影响因素及产生原因（3）预测结果分析 技术路线

二、调查道路和交叉口概述 本次调查区段为曹安公路华江支路—嘉金高速段，共有两个交叉口，分别是翔江公路交叉口和翔封路交叉口。两交叉口相对位置如下图所示： 三、调查数据处理与现状分析 3.1调查数据汇总及标准车换算 将实测的分车型交通量转换为标准车流量。换算系数如下： 各交叉口流量调查及标准车换算

3.2路段流量推算 以采集数据的两个交叉口：翔江公路及翔封路，把华江支路——嘉金高速区段划分成三个路段：华江支路—翔封路，翔封路—翔江公路和翔江公路—嘉金高速。采样时间段内（8：00—9：00）各路段统计交通量如下：

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

基于改进GMDH算法的路口短时交通流量预测

一一收稿日期:2014-05-29;修回日期:2014-08-20三 一一基金项目:国家自然科学基金资助项目(61374116);中央高校基本科研专项基金资助项目(2014202)三 一一作者简介:王明月(1990-),女,江苏扬州人,硕士研究生,主要研究方向:控制理论与控制工程;一王晶(1960-),女,辽宁沈阳人,副教授,硕士,主要研究方向:系统工程二经济控制论;一齐瑞云(1979-),女,安徽人,教授,博士,主要研究方向:模糊自适应控制;一陈复扬(1967-),男,江苏扬州人,教授,博士,主要研究方向:自适应控制二道路交通管理三 文章编号:1001-9081(2015)S1-0101-03 基于改进GMDH 算法的路口短时交通流量预测 王明月,王一晶? ,齐瑞云,陈复扬 (南京航空航天大学自动化学院,南京210016) (?通信作者电子邮箱wangj_9989@https://www.wendangku.net/doc/9512883845.html,)摘一要:城市交通是一个复杂的大系统,实时而准确的短时交通流量预测,可以为城市交通诱导和控制提供科学支持三针对GMDH 算法建模泛化能力差的问题,结合集成学习的思想对GMDH 算法进行改进,并将改进的算法应用到短时交通流量模型的构建中三结果表明,该方法可以有效地对短时交通流量进行预测,建模平均相对误差为1.10%,预测相对误差为0.58%三 关键词:智能交通系统;短时;交通流量;GMDH ;预测中图分类号:TP181一一文献标志码:A Short-term traffic flow forecasting on grossroads based on improved group method of data handing WANG Mingyue,WANG Jing ? ,QI Ruiyun,CHEN Fuyang (College of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing Jiangsu 210016,China ) Abstract:The urban traffic is a complex large system,actual and accurate traffic flow prediction can provide scientific support for urban traffic guidance and control.Ensemble learning is introduced to improve the general ability of classical Group Method Of Data Handing (GMDH )algorithm.The short-term traffic flow model was built based on improved GMDH algorithm.Experimental results indicate that the average relative error of the model is 1.10%,and the relative error of prediction is 0.58%.Thus,this model is an efficient method to the short-term traffic flow forecasting. Key words:intelligent traffic system;short-time;traffic flow;Group Method of Data Handing (GMDH);prediction 0一引言 近些年来,随着智能交通系统(Intelligent Transport System,ITS)的蓬勃发展,智能交通控制与诱导系统已经成为ITS 研究的热门核心课题,而实现该系统的关键是实时准确的短时交通流量预测[1],即有效利用历史数据和实时交通信息去预测未来一段时间的交通流量三 目前关于交通流量预测的模型较多,其中传统的统计算法模型有历史平均模型二自回归滑动模型二移动平均模型二线性回归模型二卡尔曼滤波模型[2]等,这类模型考虑因素相对简单,计算较为简便,具有静态稳定的优点,但是不能准确反映交通流过程的动态特征;基于人工智能技术的模型的典型代表为人工神经网络[3]模型,该模型具有较强的动态非线性映射能力;最后是组合预测模型,即把几种模型按某种方式组合,以充分发挥各单项模型的优点,从而提高预测精度三 GMDH(Group Method of Data Handling)[4]模型属于人工智能模型,它是由乌克兰科学院Ivakhnenko 院士在1967年提出并发展起来的一种启发式自组织建模方法,也是自组织数据挖掘(Self-Organizing Data Mining,SODM)方法的核心算法三该方法能够有效地对复杂多变量系统进行辨识,预测结果良好三GMDH 算法建模能够根据输入二输出变量原始的信息构造出模型,从而进行自选择三GMDH 算法建模是用多项式处理数据,在结构上有自组织二全局优选的特性,因此GMDH 非常适合用于复杂系统的建模,但是GMDH 方法建模 有时得到的模型泛化能力较差三 1一短时交通流量特性 交通流量是指单位时间内通过道路某一地点或某一断面 的实际车辆数,又称交通量三交通系统是由人二车辆和道路共同作用的复杂系统,人们出行行为的总体规律性及城市道路网络通行条件的实际约束决定了交通流量具有随时间和空间不断变化的特征[5]三一般认为,短时交通流量的时间间隔不超过15min [6]三短时交通流量的特性主要表现为动态变化性二时间相似性和空相似性三 1)动态变化性三 城市道路的交通流量是由交通需求二路网条件二交通管理 控制方案二公共交通出行比例二信息诱导等共同作用的结果,所以交通流量时刻在变化三 2)时间相似性三 在对交通流的研究中发现,相同路段以周为周期的交通 流量曲线,相似程度最高,规律性最强[7]三因此,可以把历史数据分为两类:工作日(星期一至星期五)交通流量数据和周末(星期六二星期日)交通流量数据三 3)空间相关性三 城市道路交通系统是一个非常复杂的网状结构,多个路 段的交通流量之间存在密切的相互联系三相关路口的交通流量在多种因素的影响下存在空间相关性三 Journal of Computer Applications 计算机应用,2015,35(S1):101-103,134一 ISSN 1001-9081 CODEN JYIIDU 一 2015-06-20 https://www.wendangku.net/doc/9512883845.html,

交通流量的预测

小交通分析 1、道路交通量分析 拟建道路为城市支路，道路车型比较表如1-1。规定：车流量昼间按16小时计算，车流量夜间按8小时计算，夜间车流量按昼间的10%计算，高峰小时车流量按全天24小时交通量的10%计算，依据项目设计单位提出的高峰期交通预测值，得出拟建道路车流量小时流量预测结果如表1-2。 建设期安排： 运营期安排： 交通预测从运营期开始预测，a为道路的交通设计年限，车包含非机动车。 2、交叉口交通量分析： 道路交叉口交通流量流向对道路所在区域的路网存在着较大的影响，同时交叉口的交通情况反映道路的服务水平。 1）道路交叉口类型： 拟建道路为双向N1车道，道路等级：城市X路。 平交道路XX路为双向N2车道，道路等级：城市X路。 拟建道路与规划（现状）XX路平交，为“十”（“T”）字型交叉口。 拟建道路在该交叉口依据道路红线规定，拟定采用X进口道，Y出口道。 2）道路交叉口交通组织采用： 交叉口东口：为XX路采用绿化带（隔离栏）进行机非分隔，路面具有较详

细的标线，机动车道进口道n1个，出口道n2个，非机动车进、出口道各1个。 交叉口西口： 交叉口南口： 交叉口北口： 3）交通状况分析 拟建道路交叉口依据相邻的交叉口交通流量情况，可用于待建交叉口分析，即拟定待建交叉口与相邻交叉口交通流量情况一致。 相邻交叉口现状分析： 通过实地观察，机动车与非机动车高峰小时交通量发生在08:00~09:00（17:00~19:00），为上（下）班时段。推测：拟建交叉口高峰时流量数据如下表： 表1-3 图1：XX路与XX路交叉口交通流量流向示意图

4）交叉口控制状况 方案一：交叉口拟定采用两相位定时信号控制，信号阶段图如下图所示： 优点： 缺点： 方案二：交叉口拟定采用X相位定时信号控制，信号阶段图如下图所示： 优点： 缺点： 方案一与方案二的比较

交通流中的NaSch模型及MATLAB代码元胞自动机

元胞自动机NaSch模型及其MATLAB代码 作业要求 根据前面的介绍，对NaSch模型编程并进行数值模拟： ●模型参数取值：Lroad=1000，p=0.3，Vmax=5。 ●边界条件：周期性边界。 ●数据统计：扔掉前50000个时间步，对后50000个时间步进行统计,需给出的 结果。 ●基本图（流量-密度关系）：需整个密度范围内的。 ●时空图（横坐标为空间，纵坐标为时间，密度和文献中时空图保持一致, 画 500个时间步即可）。 ●指出NaSch模型的创新之处，找出NaSch模型的不足，并给出自己的改进思 路。 ● 流量计算方法： 密度＝车辆数/路长； 流量flux=density×V_ave。 在道路的某处设置虚拟探测计算统计时间T内通过的车辆数N； 流量flux=N/T。 ● 在计算过程中可都使用无量纲的变量。 1、NaSch模型的介绍 作为对184号规则的推广，Nagel和Schreckberg在1992年提出了一个模拟车辆交通的元胞自动机模型，即NaSch模型（也有人称它为NaSch模型）。 ●时间、空间和车辆速度都被整数离散化。

● 道路被划分为等距离的离散的格子，即元胞。 ● 每个元胞或者是空的，或者被一辆车所占据。 ● 车辆的速度可以在（0～Vmax ）之间取值。 2、NaSch 模型运行规则 在时刻t 到时刻t+1的过程中按照下面的规则进行更新： （1）加速：),1min(max v v v n n +→ 规则（1）反映了司机倾向于以尽可能大的速度行驶的特点。 （2）减速：),min(n n n d v v → 规则(2)确保车辆不会与前车发生碰撞。 （3）随机慢化：以随机概率p 进行慢化，令：)0,1-min(n n v v → 规则(3)引入随机慢化来体现驾驶员的行为差异，这样既可以反映随机加速行为，又可以反映减速过程中的过度反应行为。这一规则也是堵塞自发产生的至关重要因素。 （4）位置更新：n n n v x v +→，车辆按照更新后的速度向前运动。 其中n v ，n x 分别表示第n 辆车位置和速度；l （l ≥1）为车辆长度； 11--=+n n n x x d 表示n 车和前车n+1之间空的元胞数； p 表示随机慢化概率；max v 为最大速度。 3、NaSch 模型实例 根据题目要求，模型参数取值：L=1000，p=0.3，Vmax=5，用matlab 软件进行编程，扔掉前11000个时间步，统计了之后500个时间步数据，得到如下基本图和时空图。 3.1程序简介 初始化：在路段上，随机分配200个车辆，且随机速度为1-5之间。 图3.1.1是程序的运行图，图3.1.2中，白色表示有车，黑色是元胞。

XX市道路交通流量分析与预测系统

目录 第1章总体描述 (1) 1.1 建设背景 (1) 1.2 建设目标 (1) 第2章现状及需求分析 (2) 2.1 现状 (2) 2.2 存在问题分析 (2) 2.3 需求分析 (2) 第3章系统设计方案 (3) 3.1 系统架构 (3) 3.1.1 技术架构 (3) 3.1.2 系统部署设计 (4) 3.2 功能设计 (5) 3.2.1 功能架构图 (5) 3.2.2 流量统计 (6) 3.2.3 流量对比 (6) 3.2.4 流量预测 (6) 3.2.5 行程分析 (6) 3.2.6 流向分析 (6) 3.2.7 交通状态预警预报 (6) 3.2.8 交通出行特质分析 (7) 3.2.9 交通运行现状评价功能 (7) 3.3 业务流程说明 (8) 3.4 数据库设计 (8) 3.4.1 数据库表汇总列表 (8) 3.4.2 数据库表结构设计 (10) 3.4.3 系统接口 (14) 3.4.3.1 与流量采集系统之间的系统接口 (14) 3.4.3.2 与外部流量应用系统的接口 (14) 第4章软件和硬件设备配置 (15) 4.1 硬件配置依据 (15) 4.1.1 软件所需（事务处理能力）TPC的计算 (15) 4.1.1.1 数据库服务器 (15) 4.1.1.2 应用服务器 (15) 4.1.1.3 WEB服务器 (16) 4.1.2 存储空间设计 (16) 第5章系统配置清单 (17) 5.1 硬件设备清单 (17) 5.2 应用软件清单 (18)

第6章投资估算 (18) 6.1 应用软件 (18) 6.2 系统软件 (19) 6.3 硬件 (19)