大规模路网动态交通流预测模型和算法研究

交通流诱导是目前公认的提高交通效率和机动性的最佳途径，其目标是在交通网络中为行人提供最优的旅行路径。针对如交通网络一样的时变网络，前人已经给出了多种有效的路径寻优算法。但这些算法要投入动态交通流诱导中应用，目前一个亟待解决的关键问题是给出交通网络中每条链路上的旅行时间函数Tij（t），为此本文采用交通流预测的方法动态地给出函数Tij（t）的值。本文针对大规模路网（大中型城市交通路网）开展动态交通流预测模型和算法的研究，其内容主要包括两大方面，其一研究路网中单条路段（分有检测器和无检测器交叉口两类路段）的交通流预测模型和算法，其二研究路网动态交通流预测模型。本文的研究具体包括以下三个方面： 第一，路网中有检测器路段的交通流预测是路网交通流预测的核心，对于该类路段的交通流预测，本文采用了广义神经网络预测模型和算法，然而在实时在线交通流预测中，广义神经网络仍然存在推广能力差，收敛速度慢等缺点。为此，本文一方面给出一种结构优化学习算法，通过在训练过程中自动选取最优的网络结构，有效地提高了在线交通流预测的准确性。另一方面，提出一种基于蝶形网络的并行学习算法，与现有的基于训练集分解的并行学习算法相比，大大减少了迭代次数，并较好地克服了传统通信模式的不足。最后利用大连市实际交通流数据进行实验，实验结果证明新算法在达到相同的预测精度前提下大大提高了收敛速度。 第二，路网中无检测器路段的交通流预测是路网交通流预测不可缺少的一部分，本文采用多元统计分析方法和神经网络方法单独建立了无检测器路段的交通流预测模型。实验结果证明该模型基本满足交通流预测的准确性要求。 第三，针对大规模动态路网，本文设计了动态交通流预测模型，以动态地给出路网中每条链路的旅行时间函数的值Tij（t），进而为动态交通流诱导的实施提供了前提条件。在设计过程中采用了两种关键策略，大大提高了在线预测的速度。