原文传递
基于HMM的交通状态判别及其在交通流参数短时预测中的应用
| 论文题名： | 基于HMM的交通状态判别及其在交通流参数短时预测中的应用 |
| 关键词： | 道路交通流;运行状态;参数预测;隐马尔科夫模型;随机森林模型 |
| 摘要： | 道路交通状态判别能够为道路使用者和交通管理者提供实时的交通运行状态信息，对于道路交通信息服务和管理控制都具有重要意义。本文基于美国加利福尼亚州高速公路路段交通流实测数据，重点研究了基于隐马尔科夫模型(Hidden Markov Model，HMM)的交通状态判别方法，并基于交通状态判别结果构建随机森林模型(Random Forest，RF)分别对交通流参数流量、速度、占有率进行了短时预测。 交通状态转移是一个随时间变化的随机过程，不可直接观测到的交通状态和可直接观测到的交通流参数之间存在随机的映射关系。鉴于此，本文选取HMM模型对交通状态进行建模。根据文献调研，本文将交通状态个数定为5，选取流量、速度、占有率作为观测变量，并基于高速公路路段实测交通流数据，根据HMM中经典的三大问题构建了交通流运行状态判别模型。最后，从交通流参数散点图和交通流参数矢量图两个角度分析和评价交通状态判别结果，并与道路通行能力手册(Highway Capacity Manual，HCM)中经典的交通状态判别方法做对比。结果表明，基于HMM的交通状态判别结果符合交通流基本原理和统计学原理，且与HCM中的方法基本吻合。 考虑交通状态变化对交通流参数短时预测的影响，本文将上文中的交通状态判别结果作为特征变量构造输入空间，基于Gini系数分析各特征变量尤其是交通状态的重要性，构建了基于随机森林的交通流三参数短时预测模型，并与不考虑交通状态的经典交通流参数短时预测模型自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)作比较。结果表明，基于不同交通状态的交通流三参数短时预测模型的总体预测性能优于ARIMA模型。 |
| 作者： | 王漫 |
| 专业： | 交通运输工程 |
| 导师： | 夏井新;曹国华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
