论文部分内容阅读
短时交通流预测是智能交通领域的一个重要研究课题,其预测准确率对于交通管理者维持交通秩序和出行者选择出行路线等具有重要意义。交通流是动态变化的,呈现混沌性、随机不确定性和时变性。由于路网的拓扑结构,目标路段的交通流与同一个路网中其他路段的交通流彼此相互影响,具有不同程度的时空相关性。与此同时,也存在很多路段的交通流对目标路段的交通流没有影响。因此,路网短时交通流的精确预测是一个非常困难的问题,本文围绕该问题进行了系统的研究。(1)对岭回归(Ridge)、Lasso回归和最小二乘支持向量回归(LSSVR)模型进行了详细的研究,对其在交通流预测中的性能进行了仿真分析。发现虽然Ridge和Lasso缓解了交通流时空变量之间的多重共线性问题,但预测性能仍弱于LSSVR。这反映了交通流具有复杂的非线性特征。(2)对LSSVR模型中核宽度参数和平衡参数的选择进行了探讨,论证了LSSVR模型在交通流预测中缺乏可解释性。针对这些问题,采用一种稀疏混合遗传算法SHGA,不仅实现了实数编码和二进制编码的混合编码,而且通过稀疏性控制实现了时空变量的自动选择。(3)构建SHGA-LSSVR预测模型,将参数优化、变量选择和交通流预测置于一个统一框架下。这样,目标路段和其它路段在交通流上的时空相关性可以被充分地挖掘出来以改进预测模型的性能。本文应用美国波特兰市I84和I205州际公路交叉口处的24个观测站的路网交通流数据进行了仿真验证。结果表明,与其他几种模型相比,本文搭建的SHGA-LSSVR预测模型可以在使用较少交通流时空变量的情况下实现更好的预测性能。