基于前馈神经网络的改进交通流元胞传输模型

宏观交通流模型是交通估计、预测以及交通控制的基础。元胞传输模型(The Cell Transmission Model,CTM)已经被认为是一种能够实际应用到交通状态预测的建模方法。元胞之间交通流量的传输关系在交通状态预测精度方面起着重要的作用。但是,在实际的交通条件下,这种传输关系是一种非常复杂的非线性关系。原始的CTM交通流之间的简单函数关系在一定程度上与实际不符。为了提高CTM的精确度,本文提出了一种改进的元胞传输模型,在该模型中,使用前馈神经网络描述元胞之间交通流的非线性关系。准确地说,我们采用前馈神经网络利用交通感应线圈检测的历史数据训练参数,来改进模型的精度。然后,我们使用VISSIM构建京通快速路的一段快速路模型,使用该模型比较本文方法与原始方法的性能优劣。仿真结果表明,在预测交通流状态方面,本文提出模型的要比原始模型有更优的性能。

环形快速路交通流的改进元胞传输模型建立与仿真

交通流模型一直是交通系统中最基本的研究内容。适当的交通流模型可用于路网交通流预测和信号控制。以北京环形快速路为背景,采用改进的元胞传输模型(modified cell transmissionmodel,MCTM)进行建模。在MCTM模型中,放宽了原始CTM模型均等划分元胞的限制,并采用密度代替车辆数表示元胞状态,对不同元胞连接方式(简单连接、融合、分离)建立了元胞交通流传输关系。与广泛应用的微观仿真软件Paramics进行了仿真对比分析。结果表明,与原始CTM相比MCTM虽然大大减少了计算复杂性,但仍然可以准确地描述环形快速路交通流动态特性,从而为进一步的交通流预测和匝道控制提供模型基础。