道路网短时交通流分析与预测

短时交通流预测是道路交通控制系统、交通流诱导系统等领域需要解决的首要问题之一。目前,交通流量分析与预测已经成为交通工程领域重点研究的课题,同时也是智能运输系统的核心研究内容之一。 众所周知,道路交通受各种复杂因素的制约和影响,使得交通流时间序列表现出高度的少数据不确定性、非线性性和复杂性。同时,道路交通是一个网状结构,各个路段是相互联系相互作用的,使得道路网中多个断面的交通流数据还具有相关性、周期性和延迟性特征。因此,传统的交通流预测模型不能取得令人满意的效果。 灰生成空间模型的研究对象是少数据且不确定系统,首先灰生成升华了系统原始信息的层次,然后再建立具有部分差分、部分微分性质的模型来对系统进行控制。另外,新灰色系统模型如GM(τ,r)系列,不仅能很好适应交通流原始时间序列的少数据不确定性,还能较好拟合其非线性性、周期性和延迟性。因此,灰色预测模型符合短时交通流量时间序列的基本特征。 本文从道路网单断面和多断面两个方面对短时交通流预测做了一些工作： (1)对道路网单断面短时交通流预测进行实证研究。虽然现有的单断面短时交通流预测模型的预测精度已达到一定的要求,但仅用一种模型对交通流量进行预测,难免会带来一些局限性和不完备性,所以,国内外学者将不同的预测模型进行组合对交通流量进行预测。本文针对交通流时间序列的周期波动特性,引入了灰色-周期外延组合模型,并预测了单断面短时交通流量,最后把预测结果与传统GM(1,1)模型比较,证明了组合模型预测精度高于传统GM(1,1)模型。 (2)建立了道路网多断面短时交通流量预测模型。首先,分析了MGM(1,N)模型的基本性质,给出了各性质的详细证明过程,最后把该模型运用于多断面短时交通流量的预测。其次,简单介绍了GM(1,1|tan(k-τ)p,sin(k-τ)p)模型,然后针对道路网多断面交通流时间序列的延迟性、数据的周期波动性以及交通流的少数据不确定性,提出了多变量灰三角MGM(1,N|tan(k-τ)p,sin(k-τ)p)模型,详细研究了该模型建模机理、建模过程以及其参数估计方法。通过实证,并与MGM(1,N)模型的预测结果进行比较,表明了新模型应用于多断面短时交通流预测领域的有效性。