短時交通流預測與線路推薦研究.pdf

1、作為城市發(fā)展的重要環(huán)節(jié)，交通不僅是運送人流、物流的重要通道，還是連接城市的重要紐帶。在眾多交通問題的研究當中，短時流量預測與路線推薦這兩個研究課題與我們的日常生活息息相關。本文將對交通領域的這兩個熱門課題展開研究和討論。
　　短時交通流量研究方面，流量的預測是根據(jù)已有的交通流數(shù)據(jù)，在時刻t實時預測下一時刻t+△t以及以后若干時刻的交通流量。人們對短時交通流量進行預測一般都是運用自回歸模型(AR)，滑動平均模型(MA)、歷史平均模型

2、(HA)和自回歸滑動平均模型(ARIMA)等。而這些線性預測模型的計算復雜度較低，其模型本身未能反映交通流過程的不確定性和非線性，無法克服隨機干擾因素對交通流的影響。隨著預測時間間隔的縮短，這些模型的預測精度就會變得很差。近幾年人們對神經(jīng)網(wǎng)絡的結構設計和學習方法進行了大量研究，這些基于神經(jīng)網(wǎng)絡的預測算法雖然提高了預測效果，但只適用于單源數(shù)據(jù)且往往只在高速公路之類具有比較穩(wěn)定的交通流環(huán)境下才能達到不錯的效果。針對上述現(xiàn)有方法所存在的不足，

3、我們提出一種平面滑動平均模型，該模型具有以下優(yōu)勢:(1)它集成了個體自身流量模式和相似流量模式的特征來進行預測;(2)訓練集大小要求很低;(3)它在對復雜的城市交通流預測之中比之前的流量預測方法具有更強的泛化能力。
　　交通路線推薦研究方面，最優(yōu)路徑規(guī)劃策略一直以來就是交通管理和控制研究的熱點問題，限制于使用的領域和方法的不同，最優(yōu)路徑規(guī)劃的策略也不同。常用的經(jīng)典路徑規(guī)劃策略有A*算法、迪杰斯特拉(Dijkstra)算法、貝爾曼-

4、福德(Bellman-Ford)算法等。但是這些算法往往只利用了相互獨立的旅行時間向量，未考慮相鄰道路之間的關聯(lián)，因此其最終推薦的合理性值得商榷。針對上述問題，我們提出一種道路捆綁模型，該模型利用相連道路之間的車輛行駛特征以及不同時段的道路通過時間對出行路線進行預測，是解決該類問題的一種創(chuàng)新方案。
　　我們在真實的交通數(shù)據(jù)集上對提出的模型進行了充分的實驗來驗證模型的性能。實驗結果證明我們模型的預測和推薦的效果優(yōu)于已存在的其他方法，