大規(guī)模路網(wǎng)動態(tài)交通流預測模型和算法研究.pdf

1、交通流誘導是目前公認的提高交通效率和機動性的最佳途徑，其目標是在交通網(wǎng)絡中為行人提供最優(yōu)的旅行路徑。針對如交通網(wǎng)絡一樣的時變網(wǎng)絡，前人已經(jīng)給出了多種有效的路徑尋優(yōu)算法。但這些算法要投入動態(tài)交通流誘導中應用，目前一個亟待解決的關鍵問題是給出交通網(wǎng)絡中每條鏈路上的旅行時間函數(shù)Tij(t)，為此本文采用交通流預測的方法動態(tài)地給出函數(shù)Tij(t)的值。本文針對大規(guī)模路網(wǎng)(大中型城市交通路網(wǎng))開展動態(tài)交通流預測模型和算法的研究，其內(nèi)容主要包括兩大

2、方面，其一研究路網(wǎng)中單條路段(分有檢測器和無檢測器交叉口兩類路段)的交通流預測模型和算法，其二研究路網(wǎng)動態(tài)交通流預測模型。本文的研究具體包括以下三個方面： 第一，路網(wǎng)中有檢測器路段的交通流預測是路網(wǎng)交通流預測的核心，對于該類路段的交通流預測，本文采用了廣義神經(jīng)網(wǎng)絡預測模型和算法，然而在實時在線交通流預測中，廣義神經(jīng)網(wǎng)絡仍然存在推廣能力差，收斂速度慢等缺點。為此，本文一方面給出一種結(jié)構(gòu)優(yōu)化學習算法，通過在訓練過程中自動選取最優(yōu)的網(wǎng)

3、絡結(jié)構(gòu)，有效地提高了在線交通流預測的準確性。另一方面，提出一種基于蝶形網(wǎng)絡的并行學習算法，與現(xiàn)有的基于訓練集分解的并行學習算法相比，大大減少了迭代次數(shù)，并較好地克服了傳統(tǒng)通信模式的不足。最后利用大連市實際交通流數(shù)據(jù)進行實驗，實驗結(jié)果證明新算法在達到相同的預測精度前提下大大提高了收斂速度。 第二，路網(wǎng)中無檢測器路段的交通流預測是路網(wǎng)交通流預測不可缺少的一部分，本文采用多元統(tǒng)計分析方法和神經(jīng)網(wǎng)絡方法單獨建立了無檢測器路段的交通流預測