1、城市交通問(wèn)題早已升級(jí)為城市可持續(xù)發(fā)展的最大制約。智能交通系統(tǒng)ITS恰是能夠解決這一問(wèn)題的對(duì)癥方法,實(shí)時(shí)準(zhǔn)確的流量預(yù)測(cè)信息是實(shí)現(xiàn)有關(guān)于ITS中動(dòng)態(tài)路徑誘導(dǎo)系統(tǒng)的基礎(chǔ)和關(guān)鍵,而交叉口是道路網(wǎng)中道路通行能力的咽喉、交通阻塞和事故的多發(fā)地,因此對(duì)交叉口的交通流量的預(yù)測(cè)顯得越發(fā)重要。目前交通流誘導(dǎo)控制的時(shí)間跨度變短,使得交通流量變化的隨機(jī)性、混沌性、非線性和不確定性加強(qiáng),導(dǎo)致早期的有檢測(cè)器交叉口的短時(shí)交通流量預(yù)測(cè)模型開(kāi)始不能夠很好的契合交通流量變

2、化時(shí)的種種特性,也不能夠較好的規(guī)避隨機(jī)因素對(duì)流量的預(yù)測(cè)產(chǎn)生較大的影響,得到的結(jié)果不能令人滿(mǎn)意;而在大多數(shù)城市有檢測(cè)器的交叉口數(shù)量還達(dá)不到全部交叉口的十分之一,如此一來(lái)對(duì)于沒(méi)有安裝檢測(cè)器的交叉口的交通流信息就很難取得,以上這些均成為了城市交通系統(tǒng)早日實(shí)現(xiàn)智能化的障礙與瓶頸,因此,針對(duì)兩類(lèi)交叉口實(shí)時(shí)準(zhǔn)確的短時(shí)交通流量預(yù)測(cè)的研究顯得尤為急切與重要。
　　在本文中首先分析和研究了國(guó)內(nèi)外學(xué)者針對(duì)兩類(lèi)交叉口短時(shí)交通流量預(yù)測(cè)的現(xiàn)狀、未來(lái)的發(fā)展趨

3、勢(shì)、存在的問(wèn)題。共歸結(jié)了三大問(wèn)題以便在文章進(jìn)行研究解決。
　　其次,利用遞歸圖和Lyapunov指數(shù)對(duì)費(fèi)家營(yíng)交叉口東進(jìn)口的交通流數(shù)據(jù)進(jìn)行了可預(yù)測(cè)性和混沌性分析。在此基礎(chǔ)上,再對(duì)該交叉口短時(shí)交通流的時(shí)空依賴(lài)性進(jìn)行研究。第一,在時(shí)間維度上利用相似及波動(dòng)系數(shù)進(jìn)行了交通流的周相似性研究,確定了工作日、休息日、天氣(如晴天、雨天)等時(shí)間因素在交通流預(yù)測(cè)中的重要作用。第二,在空間維度上確定了交叉口進(jìn)出口處預(yù)測(cè)斷面與周邊交叉口及路段之間流量的相

4、互影響關(guān)系,并針對(duì)鄰接和非鄰接路段將其空間依賴(lài)性量化,得到空間上的影響波及范圍。通過(guò)以上研究提出了基于多維時(shí)空參數(shù)的短時(shí)交通流預(yù)測(cè)模型及框架,為后面交叉口短時(shí)交通流量預(yù)測(cè)提供依據(jù)。
　　然后,針對(duì)有檢測(cè)器交叉口交通流量預(yù)測(cè)從組合模型的搭配模式和單項(xiàng)模型的權(quán)重參數(shù)選取方面著手對(duì)模型進(jìn)行改進(jìn)和優(yōu)化。依照各單項(xiàng)模型的優(yōu)缺點(diǎn),選取三大子模塊并將其進(jìn)行改造以便能夠利用多維時(shí)空因素;由于預(yù)測(cè)誤差為隨機(jī)誤差,則利用正態(tài)分布的良好特性,提出了基于

5、反饋機(jī)制的德?tīng)査儥?quán)重法,即利用各子模塊的預(yù)測(cè)誤差加權(quán)平均的方法,對(duì)于預(yù)測(cè)精度較高的預(yù)測(cè)值賦予較大的權(quán)重,由于各時(shí)段的交通狀態(tài)關(guān)系誤差不斷的變化進(jìn)行反饋,從而權(quán)重可及時(shí)進(jìn)行更新調(diào)整,不會(huì)造成過(guò)大的預(yù)測(cè)偏差,從而建立起了基于時(shí)空關(guān)聯(lián)狀態(tài)組合預(yù)測(cè)模型,并以安寧區(qū)區(qū)域路網(wǎng)部分交叉口為例,驗(yàn)證了模型和算法的可行性。
　　最后,針對(duì)無(wú)檢測(cè)器交叉口交通流的預(yù)測(cè)問(wèn)題,通過(guò)建立無(wú)檢測(cè)器交叉口與有檢測(cè)器交叉口之間的聯(lián)系,從而利用有檢測(cè)器交叉口流量來(lái)

6、進(jìn)行預(yù)測(cè)的角度出發(fā)。第一,介紹了常用的幾類(lèi)歸類(lèi)方法,引入了基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則的 PNN概率神經(jīng)網(wǎng)絡(luò)這一概念,并首次將其應(yīng)用在無(wú)檢測(cè)器交叉口與有檢測(cè)器交叉口的歸類(lèi)中,提出了基于PNN概率神經(jīng)網(wǎng)絡(luò)的交叉口分類(lèi)模式的預(yù)測(cè)方法。第二,介紹了歸類(lèi)后的預(yù)測(cè)手段,即有線性回歸和非線性擬合,并引出了BP神經(jīng)網(wǎng)絡(luò)和遺傳GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的兩類(lèi)非線性擬合思路。建立了有檢測(cè)器交叉口和無(wú)檢測(cè)器交叉口動(dòng)態(tài)聯(lián)系,實(shí)現(xiàn)無(wú)檢測(cè)器交叉口在時(shí)間空間上的歸類(lèi)與短時(shí)