交通预测方法

1、交通需求猜想方法08级交通工程2班 陈刚0803030218第一章短时（微观）交通需求猜想短时（微观）交通猜想，与中观和宏观意义上的以小时、天、月甚至是以年计算的基于 交通规划的战略猜想有着本质区分。短于15分钟的交通流猜想称为短时交通流猜想。现阶段的猜想方法如下：一、非参数回归模型非参数回归模型是近几年兴起的一种适合非线性的、不确定的动态系统的非参数建模方 法。它不需预备学问，只需足够的历史数据，查找历史数据中与当前交通特征相像点，并用 那些相像点猜想现阶段交通下一时刻值。因此,特殊是在有突发性大事时，猜想结果要比参 数建模的方法精确。非参数回归作为一种无参数，可移植、高猜想精度的算法，它的

2、误差比拟小，且误差分 布状况良好。尤其通过对搜寻算法和参数调整规章的改进，使其可以真正到达实时交通流猜 测的需求。并且这种方法便于操作实施，能够应用于简单环境，可在不同的路段上进行便利 地猜想。二、历史平均模型法算法定义为V5ew） = AV + （l A）V（。/）。式中，丫（必打）代表某路段在肯定时间间隔内新的交通流量；V（d）代表该路段在相同时间间隔内旧的交通；V为交通流量；A为 平滑系数。历史平均模型算法简洁，参数可用最小二乘法进行估量计算，可以在肯定程度内解决 不同时间、不同时段里的交通流变化问题。但它不能反映动态交通流基本的不确定性与非线 性的特点,尤其无法克服随机干扰因素的影响，

3、没有方法应对交通系统中的突发性事故。三、神经网络模型先进的交通掌握系统不仅应具备已有系统的优点，更为重要的是要能充分采用不断积 累的阅历,有效地产生掌握策略，使模型具有依据历史数据进行学习、阅历积累和不断完善 的力量。鉴于这样的进展思路和要求，神经网络由于其自身特有的自适应性和自学习的优势, 在实时交通流猜想领域的应用变得特别活跃。其是在交通流量猜想方面很有潜力的一种模 型。其中比拟有代表性的有：BP神经网络模型（及其改进模型）、单元神经网络模型、基于 谱分析的神经网络模型、高阶广义神经网络模型、模糊神经网络模型等。四、时间序列模型Ahmed和Cook于1979年首次在交通流猜想领域提出了时间

4、序列模型。经过肯定的进展， 其中比拟有代表性的有ARIMA0模型、ARIMA模型、（0, 1, 1）模型等。下面重点介绍ARIMA 模型。ARIMA模型假定数据序列是由某个随机过程产生的，它把事物在某一固定时刻的状态视 为一个随机过程，采用随机过程去分析描述事物的进展趋势。ARIMA模型又称为自回归求积 移动平均模型。ARIMS模型猜想将来观测值可以依据以下步骤进行：一是识别时间序列的平稳性；二是 数据进行平稳化处理；三是依据时间序列模型的识别规章，建立相应的模型；四是进行参数 估量，估量暂定的模型参数，检验是否具有统计意义；五是进行假设检验，诊断白噪声。ARIMA模型特殊适用于稳定的交通流，

5、但是当交通状况变化过大时，由于计算量过大, 该模型将在猜想延迟方面暴露出明显的缺乏。此外，该模型基本上是从纯时间序列分析的角 度进行猜想，并没考虑上下游路段之间的流量关系。五、卡尔曼滤波模型卡尔曼滤波理论是Kalman于1960年提出的，是一种在现代掌握理论中广泛应用的先进方 法。它在很多领域得到了应用，如统计学、经济学等。随后，有学者将其运用到交通领域, 用于猜想交通流。卡尔曼滤波模型具有猜想因子选择敏捷、精度较高等优点，是最好的猜想方法之一。且 模型的猜想精度随猜想时间间隔的变化不大，这说明方法的强壮性很好。但是，由于模型的 基础是线性估量模型，所以当猜想间隔小于5min时，交通流量变化的

6、随机性和非线性性再 强一些时，模型的性能是否会变差，还没有得到进一步确实认。此外，由于在每次计算时都 要调整权值，需要作大量的矩阵和向量运算，导致算法较为简单，难以用于实时在线猜想, 猜想输出值有时要延迟几个时间段。在卡尔曼滤波理论的基础上，又衍进了多种理论，如：线性滤波、非线性滤波、自适应 滤波、粗正交小波网络以及各种简化的滤波方法。六、自适应权重模型它的基本思想是：给交通流状况的各个影响因素安排权重。定义可以实时监测到的路况 指标，比方猜想间隔时间、突发大事、与天气有关的因素、道路占有率、平均路网行驶时间 等，作为权重选择的依据。此方法由于以线性回归模型为基础，所以相对来说计算简洁，易 于

7、实现，从而便于大规模应用；而且采集路况指标用以转变权重的方法也简洁易行，实时性 较强。指标选择敏捷是这种猜想模型的一个特点，但是却不行避开地增加了主观性。比拟有代表性的如：基于神经网络的自适应权重模型等。其次章宏观交通需求猜想一、马尔科夫猜想法新建一条大路，将必定吸引局部交通量。从相关道路转移到新建大路上的交通量一般构 成了新建大路的基本交通量。因此确定转移交通量对新建大路的交通量分析和猜想起着特别 重要的作用，不行低估或忽视。转移交通量常依据0D调查资料来计算。大路新建工程的0D 调查由于人力、资金、时间等缘由，往往只能在一个较短的时间内进行。因此只好采纳静态 分析以转移状态去确定今后的转移

8、交通量。但因未考虑转移交通量的变化及其进展，在很大 程度上影响了新建大路远景交通量猜想的精确 性和实际效果。假如使用马尔科夫 猜想法即可以解决这一问题。马尔科夫猜想法是一种动态随机数学模型，它把猜想对象作为一个系统，采用“状态” 和“状态转移”进行猜想。这里的状态是指系统的初始状态；状态转移是指状态转移概率, 它是系统内部机制的表现，打算系统猜想的结果。而新建大路一般缺少调查年以前的0D资 料，有时有一些资料也因时间、地点、方式等不同而无法取用。当采用调查年的0D资料计 算状态转移概率时，就会缺乏计算初始状态的数据。模型的一个显著特点解决了这一难题。 这个特点是猜想过程在较长时间下渐渐趋于稳定

9、，而与原始条件无关。依据上述实际状况, 在应用马尔科夫猜想法猜想转移交通量时仅考虑状态转移概率，而不考虑初始状态。详细的 使用步骤如下：1计算状态转移概率矩阵；2 0D分区交通量转移率的猜想；3相关道路交通量转移系数确实定确定相关道路交通量转移系数时一般分为两种状况，一是不考虑0D分区中本区内的交 通量转移；二是考虑。当考虑0D分区中本区内的交通量转移时，可不必经过下面3.1,3.2 两步，而直接进行第3. 3步计算。3. 1 0D分区转移比重此比重是指每一起点区发生的交通量占全部0D区总交通量的比重。这一步计算是为第 3. 2步计算相关道路交通量转移系数做预备。3. 2相关道路交通量转移系数

10、矩阵3. 3确定相关道路交通量转移系数依据相关道路交通的猜想，乘以相应的转移系数，就可以计算出各猜想的转移交通量。二、基于DS证据理论的交通拥堵猜想方法D一S证据理论是由A. P. Dempster于1967年提出，后由G.Shafer加以扩充和进展的一 种信息融合方法。D-S证据理论可处理由不知道所引起的不确定性。它采纳信任函数而不 是概率作为度量，通过对一些大事加以约束以建立信任函数而不必说明精确的难以获得的概 率，具有较大的敏捷性。理论中，为了描述和处理不确定性，引入了概率安排函数、信任函 数及似然函数等概念。在DS理论中，由一个证据可确定一个基本概率指派，从而确定一个信念函数。因此 D

11、empster组合规章又称为证据的组合规章，D-S理论又称为证据理论。三、PECAS城市用地和交通集成化模型系统PECAS是生产、交易和消费分派系统。该模型系统建立在一个综合的供求平衡的结构下, 运用不同的技术参数以及购销两情的市场机制，来模拟各行业活动生产和消费的各种产品从 生产市场到消费市场的各自流通过程。这些产品包括商品、服务、劳工、用地等。产品从生 产市场到交易市场，再从交易市场到消费市场的交通量时依据产品的供求关系、区位、交通 （负）效用等，运用NL模型加以分派/分布的。产品加载到交通（道路或公交）网络上，进 而确定网络加载条件下的交通负效用。另一方面，在购销平衡条件下确定的各类用地

12、数量及 其交易价格那么被输入到用地开发模型中，用来模拟开放商的反响行为。系统可以对每一年度 的生产、交易和消费等活动进行模拟，再通过交通负效应和用地区位效用的相应变化，来影 响下一年度的各类活动，包括出行行为。PECAS在实际应用中的困难之一是数据的的收集和模型参数的估量和标定。PECAS模型 系统考虑的变量很多，这有利于更加真实的反映现实世界,但也引入了很多待以标定的参数。 这些参数既相互影响，也影响其他的模型变量，其间的影响机制是特别简单的。由此，PECAS 运用贝叶斯的系列估量方程式，来从统计学上估量模型的一些统计参数。在模型的标定过程 中，那么使模型的另一些技术参数指标与一系列目标值相

13、符。同时，通过实践应用的过程，来 积累数据，优化参数标定方法，法律规范参数的通用值，以减轻模型标定的难度。在应用方面，美国的很多州正在使用该模型建立州域范围内的用地分析和交通猜想模 型。四、Gompertz模型居民出行发生量猜想是交通需求猜想的一个重要组成局部，通常用Gompertz模型进行 模拟，其是交通需求猜想中的经典模型。目前在交通需求猜想方面，Gompertz模型因具有简洁适用的特点得到了广泛使用，但 使用Gompertz模型估算居民交通出行时，其系数通常依据相关城市状况类比估算得到，缺 乏理论依据和数据基础，在肯定程度上影响了交通需求猜想结果的可信度。第三章结语基于确定的数学模型的猜想方法越来越不能满意实际精度的要求。鉴于道路交通系统的 非线性、简单性和不确定性的基本特点，很多无模型的猜想算法被应用到交通需求猜想中来, 取得了较好的实际效果。同时，由于各种高新技术学科之间的穿插，各种组合猜想模型，如 神经网络理论与遗传算法、模糊理论、