基于交通流参数相关的阻塞流短时预测卡尔曼滤波算法

提出一种考虑交通流参数相关关系的卡尔曼滤波算法,实现阻塞流状态下道路网交通流短时预测.在交通流守恒方程的基础上,借鉴偏微分方程求解Lax-Wendroff格式离散的思想,结合阻塞流状态下交通流时间和空间特性及进出口匝道等因素的影响,建立阻塞流状态下交通流短时预测状态空间模型,并设计基于卡尔曼滤波方法的模型求解算法.最后以北京市某一区域路网为例,进行了实证性研究.研究结果表明:所建立的阻塞流状态下交通流短时预测卡尔曼滤波算法由于同时考虑了时间和空间因素,能够使预测平均绝对百分比误差(MAPE)控制在10%以内;平均MAPE仅为7.96%.相同条件下,ARIMA模型和Elman模型预测MAPE分别为19.88%和10.51%.

基于G-P算法的快速路交通流参数相空间重构

提出了一种基于混沌分析的G-P(Grassberger-procaccia algorithm)算法将非平稳交通流参数时间序列近似转化为平稳时间序列的方法。首先采用自相关函数判断自由流状态、拥挤流状态和阻塞流状态下交通流基本参数时间序列的平稳性。然后应用G-P算法计算嵌入维,进行相空间重构,给出交通流参数时间序列平稳化方法。最后利用快速路交通流实测数据,对3种状态下非平稳的交通流参数时间序列的平稳化进行验证,结果表明:本文方法能够为交通流参数分析、拟合和预测提供科学合理的输入集。

混合状态下城市快速路交通流短时预测

建立交通流短时预测状态空间模型,研究混合状态下城市快速路交通流短时预测.结合城市快速路自由流状态、拥挤流状态和阻塞流状态下交通流参数的时间和空间分布特性,基于交通流守恒方程和速度动态模型,借鉴偏微分方程组求解时空离散的思想,建立三种状态下交通流短时预测模型;同时考虑进出口匝道、车道数变更以及道路坡度等因素的影响,将交通流短时预测模型转化为交通流短时预测状态空间模型,实现混合状态下交通流短时预测.研究表明,该方法能够实现混合状态下道路网内的交通流短时预测,预测精度可达90.23%.相同条件下,经典自回归滑动平均模型的预测精度仅为81%.