《城市交通流量预测研究文献综述》2900字

城市交通流量预测研究文献综述1.1负荷预测国内外研究现状负荷预测（这里主要指短期负荷预测）是电力系统领域一个传统研究问题，国内外许多专家和学者在预测方法和理论方面做了大量的工作，关于负荷预测的研究已有几十年的历史。大量文献在分析负荷时序特性的基础上，提出了新的预测模型和预测角度。负荷预测的一般思想是利用已历史负荷数据时序特性，建立预测模型，期望预测模型的输出尽可能的接近真实值，从而对未来负荷需求进行预估。1995年，前苏联学者Vapnik和CorinnaCortes提出了支持向量机理论方法，它的基本思想是通过建立几何间隔最大的分离超平面来正确划分数据集。2001年，Bo-JuenChen提出的SVM模型负荷预测法在EUNITE网络举办的中期负荷预测竞赛中获胜。2004年，Bo-JuenChen将竞赛中SVM负荷预测模型的设计细节整理成文章发表在IEEETransactionsonPowerSystems期刊，并做了深入分析和探讨。HongWC团队在基于SVR的负荷预测的方向上做了大量工作，从2005年至今，先后发表27篇文章。该团队在文献中提出递归支持向量机预测法，并利用遗传算法确定递归支持向量机的自由参数。仿真结果显示该联合方法的预测精度高于单独使用支持向量机的预测方法、回归分析法以及神经网络法。和最小化训练误差的神经网络模型不同，SVR模型是通过最小化泛化误差上界进行非线性化建模，当负荷数据体量增大、复杂度增加时，用于确定SVR模型参数的遗传算法存在收敛早熟问题，且收敛速度慢，容易陷入局部最优。该团队在文献提出一种进化算法（又称混沌遗传算法）克服上述问题，该方法是将混沌优化算法和遗传算法相结合，利用混沌优化的内随机性克服确定SVR模型参数时的遇到的局部最优问题，实验结果表明基于混沌遗传法和SVR的联合负荷预测法的预测性能更优。除上述研究外，HongWC团队在SVR模型的基础上，先后结合了混沌粒子群优化算法、混沌蚁群优化算法、混沌免疫法ADDINEN.CITEADDINEN.CITE.DATA、模糊时间级数法、经验模态分解、小波分解法和回归神经网络法用于提高负荷预测精度。此外数据挖掘领域中的ANN算法、模糊逻辑法、模糊回归法、随机森林法、卡尔曼滤波法、小波分解法和灰度系统理论等方法也广泛应用于负荷预测中，并取得了一定的预测效果。其中，ANN算法在负荷预测领域的使用最为广泛，ANN方法模拟人脑细胞的工作机理，通过各种网络训练方法提取模型输入数据内在的非线性关系，具备较强的非线性输入输出映射能力。和专家系统预测方法不同，ANN不依赖专业人士的调度经验，对于多种不确定的输入数据，表现出良好的鲁棒性。大量研究显示ANN模型的负荷预测能力优于时间级数法和统计学方法。为提高负荷预测精度，部分学者将多种数据挖掘方法相结合，克服单一预测模型的不足。比如，将ANN和SVM、遗传算法、模糊理论、回归模型、卡尔曼滤波以及小波分解相结合。另外，还有学者通过优化网络结构、引入负荷影响因素以及提高预测模型的泛化能力等方式进一步提升算法预测能力。Yang等考虑气温、节假日等因素对负荷波动性的影响，通过模糊逻辑函数选取关联性强的影响因素变量作为预测模型输入，用模糊逻辑函数的输出训练神经网络模型，从而预测工作日、休息日和特殊日期的负荷需求。采用模糊逻辑预处理，降低了ANN的计算复杂度和训练时间，从预测结果可以看出，这种方法比传统ANN预测效果更好。还有学者在此基础上，进一步引入遗传算法帮助优化模糊逻辑函数的参数。文献利用时间级数中的关联性分析选取预测模型合适的输入。Mori等提出一种结合多层MLP和最优回归树的混合预测方法。仿真结果显示提出的混合算法的预测误差比MLP算法的预测误差降低了7.17%~5.20%，具有较好的预测效果。1.2交通流量预测研究现状交通流量预测研究主要分为三个方向：第一为对线性方式深化。如基于ARIMA的改进方案，如KARIMA，子集ARIMA，时空SARIMA等，Hamed等开发出简约ARIMA模型，用于预测城市干道交通量。文献建立了时空自动回归综合移动平均（STARIMA）模型，以预测每个频率5分钟的城市交通量。Ghosh等人认为ARIMA模型变量属于单纯类的，并据此提出多元化的时间序列模型。第二为非线性手段。如K.Y.Chan通过平滑技术进行流量数据预处理，在此基础上，将数据输至神经网络内展开预测。第三为复合型的方法。如雷斌等人运用加权理论进行预测。成云等人将ARIMA模型和小波分析相结合进行预测。文献研究显示，滤波数据和模式识别有助于帮助我们进行交通流的预测。不过，由于交通的实时变化，导致增加了交通流的复杂性，令其较难探寻到参数模型表达特点。因此，不少研究人员尝试着对支持向量机展开优化，并促进其在流量预测中的运用，生了众多新的方法，如：混沌小波分析支持向量机。除此之外，还有一些神经网络方法亦取得了广泛运用。近些年，智能交通系统获得全面发展，取得了海量的交通数据，有利于进行交通流量的预测。交通流量预测主要受到大数据的驱动。伴随交通数据的进一步增长，传统研究方式的不足进一步突显，比如，对于复杂道路、结构化及非结构化数据集等状况中表现出不足。如参数化模型、浅层神经网络等算法等，此类算法较为简单，仅适合少量或小范围数据集的分析。因此，通过深度学习对交通流进行分析已成为发展趋势。根据近期的研究拓展，基于深度学习智能计算方法，如：神经和贝叶斯网络、各类深度学习方法等。过去几年间，一些具代表性的研究在交通预测中获得良好的运用，成果斐然。A.Khotanzad和N.Sadek在其高速网络流量预测过程中使用了多层感知器（MLP）和神经模糊（FNN）网络。神经网络的NN模型优于自动化模型。C.Qiu等人开发了一种典型的贝叶斯神经网络来预测短期交通速度。Huang等人提出了与深度信任网络有关的多任务学习模型。其研究对于传统算法展开了批判性的回顾，并开创新地引进多任务回归层予以研究。1.3经典路径规划方法研究现状在路径规划领域，目前已经存在很多经典的算法。早在上世纪50年代，狄杰斯特拉提出了Dijkstra算法，该算法应用贪心的思想，通过每次在未标记的节点中选择距离源点最近的节点实现最短路径的求解。Guo等人研究了Dijkstra算法的中间过程，将距源点等同距离的节点进行保存，再依这些中间节点进行扩展，同时在距离最优的基础上兼顾了时间最优，提高了Dijkstra算法的效率。A*算法在Dijkstra算法的基础上，加入了启发式函数，也就是一种评估当前点到达目标的度量，用来决定下一步应该优先扩展哪个节点，这种算法在多维度规划问题上，或是在较大规模的地图上，算法复杂度很大。Su等人结合了A*算法，基于时间、空间和导航约束，分别建立了协同策略、协同约束和协同模型，提出了一种协同搜索的A*算法，解决了多机同时到达和多角度到达条件下的路径规划问题。势场法将规划空间看作物理学中“场”的概念，将智能体看作一个粒子，障碍物会对这个粒子产生斥力，目标会对这个粒子产生引力，两者的合力即为最后智能体运动的方向，主要的困难在于如何设计引力和斥力函数。这种方法实时性较好，同时产生的路径通常十分平滑，适合于机械臂一类的应用，缺点是在合力为0的位置智能体容易陷入局部最优解。蚁群算法模拟蚂蚁的寻路过程，通过共享信息素参量实现环境探索和路径规划，Liu等人将信息素扩展过程与几何空间的局部最优化相结合，提出按照电场力的方向进行信息素的扩散，提供了一种