基于神经网络的交通发生量预测研究

交通发生吸引量预测是交通规划四阶段的首要步骤,其预测结果是城市规划布局及交通设施建设发展的重要依据.为了提高交通发生量预测准确性,利用K-means聚类分析对交通小区进行分组;对同组内样本小区各项土地利用及人口就业指标进行主成分分析,通过计算主成分载荷率为选择预测影响因素提供依据;针对各组样本分别建立BP神经网络模型,以土地利用和人口数据作为输入变量,小区交通发生量作为输出变量,以大连市城市交通调查数据为例对上述方法进行检验,并与传统回归模型预测结果进行比较.结果表明,在数据预处理基础上建立的BP神经网络模型具有较高预测精度.

基于季节模型及Kalman滤波的道路行程时间

道路行程时间是影响城市交通出行行为的重要因素。当前大多数出行时间研究基于路段进行,假设驾驶人沿着理想最短路径或最快路径行驶,难以对交叉口排队延误等相关时间参数进行精确估计。针对城市任意OD间的出行时间进行分析,采用Kalman滤波方法,利用历史数据对总行程时间进行有效预测。鉴于总行程时间分布存在比较明显的周期性特点,单一Kalman滤波算法难以反映出这种周期性,引入基于季节模型的Kalman滤波算法进行建模和优化。最后,利用深圳浮动车2011年12月连续3d的数据进行实证。研究结果表明:相对于传统的SARIMA模型及普通Kalman滤波算法,优化模型同时考虑总行程时间分布的周期性和时变性,具有较小误差及更好的拟合度;所得预测时间的平均绝对误差(MAE)分别在传统SARIMA模型及普通Kalman滤波算法结果基础上降低了37%和52%,其余误差指标,如均方根误差(RMSE)及最大相对误差(MRE)均有较大下降,从而证明了研究模型的有效性。