一种路网交通流参数的融合预测方法

被引：27

作者：

聂佩林 ^{[1
]}

龚峻峰 ^{[2
]}

机构：

[1] 佛山科学技术学院环境与土木建筑学院

[2] 华南理工大学土木与交通学院

来源：

交通运输系统工程与信息 | 2015年 / 15卷 / 06期

基金：

广东省自然科学基金;

关键词：

智能交通; 路网交通状态预测; 中观交通仿真; 数据驱动;

D O I：

10.16097/j.cnki.1009-6744.2015.06.007

中图分类号：

U491 [交通工程与交通管理];

学科分类号：

082301 [道路与铁道工程];

摘要：

提出了数据驱动与中观交通仿真融合的交通流预测框架.该框架将数据驱动方法在路网局部断面和路段的高精度预测能力与中观交通仿真的路网范围预测能力结合起来,通过可信度高的路网局部断面和路段预测值,在线修正中观交通仿真模型的参数,使得中观交通仿真模型能够逼近、反映交通流运动趋势,提高路网范围交通状态预测精度.通过结合路段旅行时间预测与中观交通仿真的实例分析证明,断面和路段预测和中观交通仿真结合发挥了两者各自的优势,预测结果优于单一的中观交通仿真方法.

引用

页码：39 / 45

页数：7

共 8 条

[1]

On-line distributed prediction of traffic flow in a large-scale road network.[J].Yubin Wang;Jan H. van Schuppen;Jos Vrancken.Simulation Modelling Practice and Theory.2014,

[2]

Potentialities of Data-Driven Nonparametric Regression in Urban Signalized Traffic Flow Forecasting [J].

Yoon, Byoungjo ;

Chang, Hyunho .

JOURNAL OF TRANSPORTATION ENGINEERING, 2014, 140 (07)

[3]

Arterial travel time forecast with streaming data: A hybrid approach of flow modeling and machine learning [J].

Hofleitner, Aude ;

Herring, Ryan ;

Bayen, Alexandre .

TRANSPORTATION RESEARCH PART B-METHODOLOGICAL, 2012, 46 (09) :1097-1122

[4]

Statistical methods versus neural networks in transportation research: Differences; similarities and some insights.[J].M.G. Karlaftis;E.I. Vlahogianni.Transportation Research Part C.2010, 3

[5]

Online Implementation of DynaMIT: A Prototype Traffic Estimation and Prediction Program [J].

Park, Byungkyu ;

Lee, Joyoung ;

Pampati, Devi M. ;

Smith, Brian L. .

KSCE JOURNAL OF CIVIL ENGINEERING, 2008, 12 (02) :129-140

[6]

Accurate freeway travel time prediction with state-space neural networks under missing data.[J].J.W.C. van Lint;S.P. Hoogendoorn;H.J. van Zuylen.Transportation Research Part C.2005, 5

[7]

基于约束卡尔曼滤波的短时交通流量组合预测模型 [J].

聂佩林 ;

余志 ;

何兆成 .

交通运输工程学报, 2008, (05) :86-90

[8]

交通流预测方法综述 [J].

刘静 ;

关伟 .

公路交通科技, 2004, (03) :82-85

← 1 →