【对交通流预测模型的理论分析,深化社区警务】深化社区警务 矛盾纠纷大排查

来源:经管营销 发布时间:2019-03-12 05:38:07 点击:

  摘要:交通流预测在智能交通系统中发挥着越来越重要的作用,包括交通信号的实时控制、路径分配及疏导、自动导航、检测交通事故等。本文分析了交通流短期预测模型应具备的特性,讨论了基于统计方法的模型、交通仿真模型、基于动态交通分配的模型、非参数回归模型和神经网络模型五种主要模型的结果和精确度。
  关键词:交通流预测 模型 应用
  
  交通量是依照道路规划设计和交通管理为依据的,是指单位时间内通过某一个地方或断面的机动车辆数。常以平均交通量、小时交通量和设计小时交通量为代表。对于交通量的预测主要采用个别推算法,分为直接法和间接法。直接法和间接法的区别就是研究对象的不同,前者以路段交通量为对象,后者以作为对象再转换为前者的研究对象。目前,我国公路建设项目交通量预测还不够成熟,交通量分析预测方法用于高速公路建设项目时,一般采取四段预测,是指交通量的生成、交通分布、方式选择和分配四阶段,以机动车出行起讫点调查为基础,在每个阶段以所建项目区域为对象,分析区域经济变化对交通量的需求,用模型进行模拟,预测四个阶段。很多科学家开发了很多不同的交通量预测模型,按不同学科分为基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型的优缺点分析如下:
  一、基于统计方法的模型
  基于统计方法的模型很简单,是基于线性的基础,是用数理统计对交通的各参数进行预测,即交通量、平均速度和运行时间。线性模型用于交通流预测,所需检测设备数量小且简单,价格低廉。
  基于统计方法的模型分为历史平均模型法和线性回归模型方法。历史平均模型法一般对于历史数据进行延用进行预测,对于未来数据的特性没有改变进行预测。虽然使用历史数据在一定范围对不同时段里的交通量变化问题有所解决,但该历史平均模型精度差,静态预测不够准确,适用性不强、实时性差,不能解决诸如突发事件的交通状况,对于非常规交通事故不能处理。线性回归模型方法是依据预先确定的回归方程,对影响交通流的因素进行预测,局限于一定的流量范围。当实际情况和参数标定时的交通状态相差大时,预测不能及时修正误差,会使其加大,主要影响因素在量化过程中存在着一些不确定性,而在线标定多元线性回归的参数又比较困难。
  总之,历史平均模型方法和线性回归模型方法,可采用参数最小二乘法估计,便于计算,但大部分模型都是基于线性的,不能反映交通流的非线性与不确定性,对于交通流变化大时,预测效果低,也避免不了随机干扰因素的影响。
  二、交通仿真模型
  交通仿真是用计算机模拟道路的实际情况,具体是把车辆当成实体进行仿真,通过交通信息预测交通状况。其实,交通仿真模型需要输入实时的交通数据量,提供一种估计动态旅行时间的方法。严格地说,需要输入用于预测的交通流数据,通过仿真预测道路信息算不上交通预测。交通仿真模型只是模拟实际的一个交通流、占有量和旅行时间之间关系的计算方法,一旦交通流量数据能够通过其他的方法预测得到后,仿真模型可以提供一种估计动态旅行时间的方法,并不能实现实时性。
  三、基于动态交通分配的模型
  动态交通分配是为了提高路网运行效率和降低交通拥挤程度的方法,是按照一定的规则将动态交通按需分配到路网上,从而得到道路实时交通量的方法。传统的仿真模型,都是要事先确定出行者的出行线路,使用动态交通分配可以得到该结果。传统的静态的交通分配是实时变化的动态交通流问题,并且不是对任何网络通用。DTA模型是根据交通流数据和出行者的线路估算出实时的网络状态。它通常非为三种::以仿真为基础、以数学为基础、以变分方程为基础或者以主观控制理论为基础的启发式模型。
  动态交通分配的方法目的明确、研究方向清楚,但也有很多不足之处:①某些模型的原理简单,但优化时间长,求解难度大或无法求解;②条件设定的比较苛刻,在实际路网中取得信息的代价太麻烦,甚至无法获得相应信息;③由于过分要求用户最优分配结果或最优的精确系统,模型求解难度比较大,不适合应用到大规模路网。
  四、非参数回归模型
  单条路段分析是只需足够的历史数据,不需要先验知识,利用历史数据中与当前点相似的那些点预测下一个阶段的交通量的方法,它基于本路段及相邻路段的交通流量信息对该路段进行交通流量预测。非参数回归模型一种多条路段分析方法,也叫做多元回归模型,即对单条路段分析的扩展。非参数建模算法是从历史数据信息中建立一个近似模型,它认为系统所有的因素之间的内在联系都蕴涵在历史数据中,非参数建模没有将历史数据作平滑处理,适合在非常规事件或者交通事故发生时使用。
  五、神经网络模型
  神经网络可以识别复杂非线性系统,是一种新兴的数学建模方法。交通领域中运用神经网络,是因为交通系统比较庞大复杂,运用神经网络可以很好预测交通量。神经网络采用典型的“黑箱”式学习模式,即不需要了解预测问题的内部机理,不需要任何经验公式,只要输入、输出大量样本,通过神经网络“黑箱”内部自动调整后,就可以建立对应的输入、输出映射关系,即神经网络模型。由于神经网络具有“黑箱”式学习模式,对于数据处理进行自学习和深度综合、分类和关联,而且有独特的并行结构、联想记忆、较强的容错性和鲁棒性、自适应自组织等特点,可以实时更新网络信息,预测交通量的保证,它可以被大量地用在交通预测中。与Kalman filtering不同,神经网络能离线训练,减少了在线预测的计算量。神经网络研究路段它不但能利用历史数据,还可考虑相关路段以及各种影响交通系统的因素,如道路施工、事故、道路条件、天气等。
  但神经网络的 “黑箱”式学习模式,在训练过程中需要大量的原始数据,数据不足不会有良好的预测效果,不能获得容易被人接受的输入/输出关系;它的算法理论上存在问题,采用ERM最小化原理,但是不能期望风险最小;同时,推广比较不明显,因为训练完成的网络只适合当前所研究路段,当各种参数改变时,训练完成的网络很难适用,也不能用于其他路段。
  综上,交通系统是一个复杂巨系统,这种有自组织特性的动态系统、“组织”与 “自组织”交互作用贯穿始终,内部过程不可逆,而且存在着非线性的相互作用。基于统计方法的模型、交通仿真模型、基于动态交通分配的模型、非参数回归模型和神经网络模型 用于交通流预测,各有其优点和缺陷。单个模型具有局限性,基于非线性系统理论的综合模型将会应用于各种交通流预测中。
  
  参考文献:
  [1] 刘静,关伟. 交通流预测方法综述 [J]. 公路交通科技,2004(3):82-85
  [2] 杨兆升. 城市交通流诱导系统理论与模型 [B]. 人民交通出版社,2000
  
  

推荐访问:通流 警务 深化 模型
上一篇:[加快提高农民组织化程度,,助推北大荒现代农业发展]北大荒现代农业园
下一篇:最后一页

Copyright @ 2013 - 2018 四八文档网-文档下载,办公室文档软件 All Rights Reserved

四八文档网-文档下载,办公室文档软件 版权所有 沪ICP备09019570号-4