详情

原文传递数据驱动的城市主干路交叉口短时交通量预测方法研究

论文题名：	数据驱动的城市主干路交叉口短时交通量预测方法研究
关键词：	智能交通;交通量预测;短时交通量预测;混合预测模型;数据二次分解
摘要：	伴随通信、控制技术与网络技术的飞速发展，智能交通系统（Intelligenttransportationsystem,ITS）逐渐成为缓解交通拥堵等问题的主要途径。短时交通量预测是ITS的关键技术之一，如何利用智能预测模型对交通状态做出可靠的预测，进而改善交通运行效率，已成为很多学者重点关注的问题。然而，现阶段短时交通量预测模型仍需优化与完善，其预测精度与可靠性尚未满足实际需求。本文致力于提升城市主干路交叉口的短时交通量预测精度与可靠性，从单步长与多步长，确定性与不确定性四个方面系统地研究了短时交通量预测，并构建了相应的预测模型。以重庆市某主城区主干路交叉口三个进口道（进口道A、B和C）的短时交通量数据为例，详细分析了本文所提出方法的有效性。结果表明本文所建立的模型预测精度高，可靠性好，可为未来交通状态的研判提供技术支撑。具体研究内容如下：　　1．实测数据的预处理与统计特性分析。短时交通量数据的采集与存储的过程中不可避免的会出现数据丢包、重复以及错误等问题，直接使用错误数据进行分析势必会导致预测模型结果严重失真。同时，预测模型的性能与数据特性息息相关。研究表明：受复杂交通运营环境的影响，短时交通量数据特性复杂，常表现出显著的非线性、非平稳性等。本文首先对短时交通量数据进行预处理，删除重复数据，修复错误数据与丢失数据。其次，基于统计分析方法，明确不同类型交通量数据的统计特性。然后，分析几种常用数据分解处理手段，厘清它们的优势与不足之处。最后，根据数据统计特性与预测模型的性能特征，探明不同特性数据对于预测模型的适用性，为后续模型选择与模型构建提供理论支持。　　2．确定性预测模型的构建。预测精度是预测模型性能的直接体现，也是交通量未来演变的确定性度量。由于数据分解技术具有较高的非线性和非平稳性解释能力，且有助于充分发挥预测模型的预测能力，因此本文提出了一种新的数据分解方法，以期更好地解释数据特性，从而有效提高预测精度。具体为，首先将时变滤波经验模态分解（TimeVaryingFilterbasedEmpiricalModeDecomposition,TVF-EMD）和局部均值分解（LocalMeanDecomposition,LMD）进行融合，建立了一种新的数据二次分解方法（TVF-EMD-LMD），对短时交通量数据非线性与非平稳性成分进行详细分析。其次，针对每一个分解的子序列建立极限学习机（ExtremeLearningMachines,ELM）模型（该模型具有较强的学习能力）进行训练和预测。最后，将所有子序列的预测结果叠加得到最终的预测结果，并对模型的预测性能进行系统评价。案例研究表明该混合模型具有较高的单步长预测精度。　　3．不确定性预测模型的构建。为进一步迎合交通风险管理的需求，量化不确定性因素对预测结果的影响，预测模型还需要提供高可靠性的不确定性预测结果。本文在前述确定性预测模型的基础上，结合条件核密度估计（ConditionalKernelDensityEstimation,CKDE）模型开展不确定性预测研究。首先，阐述不确定性预测方法的相关理论，明确不确定性因素影响的有效度量方式（即区间预测）。其次，厘清目标CKDE模型相较于其它预测模型的优势，进而建立基于数据二次分解的不确定性预测模型（TVF-EMD-LMD-ELM-CKDE）。最后，选取预测区间覆盖率和平均覆盖误差等指标对该不确定性预测模型的可靠性进行评价。案例研究表明该模型能够提供高可靠性的单步长不确定性预测结果。　　4．多步长预测模型的构建。相比单步长预测仅能够提供超前一步交通量预测结果（预测可用数据较少），多步长预测能提供未来较长时间内的交通量演变规律，进而为交通管理与控制提供更多数据支持。本文在数据二次分解的基础上，结合双向长短时记忆神经网络模型（BidirectionalLongShort-TermMemoryneuralnetwork,Bi-LSTM）和CKDE模型，构建了一种短时交通量多步长预测模型，同时实现了多步长确定性和不确定性预测。具体为：首先，阐述Bi-LSTM模型及相关理论，解释该模型在多步长确定性预测领域的优越性。其次，在前文数据二次分解的基础上，建立Bi-LSTM多步长确定性预测模型并给出详细求解过程。然后，将Bi-LSTM模型与CKDE相结合，构建多步长不确定性预测模型。最后，选取8个评价指标，对模型的精度与可靠性进行评价。案例研究表明本文构建的预测模型在多步长预测领域具有较高的预测精度和可靠性。
作者：	赵磊娜
专业：	交通运输工程;交通运输规划与管理论
导师：	邵毅明
授予学位：	博士
授予学位单位：	重庆交通大学
学位年度：	2023