基于GM(1,1|τ,r)模型的城市道路短时交通流预测

被引：20

作者：

郭欢 ^{[1
]}

肖新平 ^{[1
]}

Jeffrey Forrest ^{[2
]}

机构：

[1] 武汉理工大学理学院

[2] 宾州州立SR大学数学系

来源：

交通运输系统工程与信息 | 2013年 / 13卷 / 06期

关键词：

城市交通; GM(1,1|τ,r)模型; 短时交通流预测; 速度-流量模型; 延迟时间; 非线性因子;

D O I：

10.16097/j.cnki.1009-6744.2013.06.017

中图分类号：

U491.112 [];

学科分类号：

082302 ; 082303 ;

摘要：

充分考虑城市道路交通系统中交通流存在的延迟性和非线性,本文基于灰色GM(1,1|τ,r)模型对城市道路短时交通流进行建模预测.首先,通过建立城市交通路段上交通流量大于通行能力时的速度-流量关系,得到交通系统延迟时间τ的计算模型.再针对交通流存在的非线性特征,以模型的预测效果最优为目标,建立关于非线性因子的优化模型并利用粒子群算法寻找最佳的非线性参数r.最后对武汉市友谊大道某一路段进行交通实验,将灰色GM(1,1|τ,r)模型的预测结果与灰色GM(1,1)模型和支持向量机进行比较.结果表明,GM(1,1|τ,r)模型的预测精度有明显的提高,能为智能交通系统的管理和控制提供及时可靠的信息资源.

引用

页码：60 / 66

页数：7

共 8 条

[1] 基于支持向量机方法的短时交通流量预测方法 [J].

杨兆升 ;

王媛 ;

管青 .

吉林大学学报(工学版), 2006, (06) :881-884

[2] A novel forecasting approach inspired by human memory: The example of short-term traffic volume forecasting [J].

Huang, Shan ;

Sadek, Adel W. .

TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES, 2009, 17 (05) :510-525

[3] Intervention and Causality: Forecasting Traffic Flows Using a Dynamic Bayesian Network [J].

Queen, Catriona M. ;

Albers, Casper J. .

JOURNAL OF THE AMERICAN STATISTICAL ASSOCIATION, 2009, 104 (486) :669-681

[4]

Short-Time Traffic Flow Prediction Based on Chaos Time Series Theory.[J].Jieni XUE;Zhongke SHI.Journal of Transportation Systems Engineering and Information Technology.2008, 5

[5]

交通工程概论.[M].戴冀峰;马健霄主编;.人民交通出版社.2006,

[6]

灰技术基础及其应用.[M].肖新平;宋中民;李峰著;.科学出版社.2005,

[7]

灰理论基础.[M].邓聚龙著;.华中科技大学出版社.2002,

[8]

灰预测与灰决策.[M].邓聚龙著;.华中科技大学出版社.2002,

← 1 →