基于K-means与GRNN的高原山区高速公路短时交通流预测

为了研究可适用于高原山区高速公路短时交通流的预测方法,以及预测方法思路对绩效的影响,提出基于广义回归神经网络(General Regression Neural Network,GRNN),构建K均值聚类算法(K-means clustering algorithm,K-means)与GRNN混合预测方法思路,即通过K-means和绩效指标判断GRNN模型参数最佳值,进而建立最佳预测模型。与传统上通过经验或一定指标判断模型参数值的思路相比,采用K-means和GRNN混合预测思路得出的模型参数值更佳,且模型RMSE、MAE最高可分别改善45.92%、45.05%,则构建的混合预测方法思路是科学有效的,可为高原山区交通流预测方法优化提供借鉴。

恶劣天气对高原山区高速公路交通流特征的影响分析

为定量分析雨、雪、雾等高原山区常见恶劣天气对高速公路交通流特征的影响,利用长期监测的昆明市小铺—兔耳关高速公路固定监测点的交通流与天气状况数据,针对不同天气的影响,估算不同天气下车速和流量的折减系数,并与恶劣天气对平原地区高速公路交通流影响进行对比分析;然后采用回归分析方法,标定了不同恶劣天气条件下的高原山区高速公路速度-流量关系模型。结果表明:在小雪和中雪天气条件下,高原山区高速公路平均车速分别下降6 km/h和10 km/h,交通流量分别下降5.4%和22.0%;在小雨、中雨和大雨天气条件下,平均车速分别下降3 km/h,5 km/h和12 km/h,交通流量分别下降4.8%,16.4%和16.7%;在小雾和中雾天气条件下,平均车速分别下降6 km/h和14 km/h,交通流量下降比例均未超过3%。

高原山区高速公路短时交通流预测方法

准确的短时交通流预测是有效避免高原山区高速公路交通事故的关键。高原山区高速公路受高海拔地形影响,短时交通流数据特性较平原区域的更复杂,适用于平原区域的预测模型不一定适用于高原山区。选取SARIMA、GRNN、LSTM模型分别作为数理统计、传统机器学习、深度学习三类预测模型的代表,以四川省阿坝藏族羌族自治州G4217蓉昌高速汶川至马尔康收费站收费数据为样本。结果显示:三种模型均具有较好的预测性能,其中SARIMA和LSTM模型预测效果相当,R2均接近0.97,且较GRNN模型的MAE分别减少了53.12%、57.70%,MAPE分别减少了38.19%、43.72%。研究表明即使数理统计类模型亦可较好预测高原山区高速公路短时交通流,且数据对模型有选择,LSTM模型预测效果最佳,SARIMA模型次之,GRNN模型较差。