论文部分内容阅读
智能交通系统(ITS)被认为是解决现存交通问题和交通带来的环境、社会问题的重要手段。而高效、准确、全面的交通数据采集处理能力是ITS充分发挥效用的基础前提，直接影响了精细化分析决策的准确性。但目前城市道路流量检测器主要布设于快速路、主次干路等重点区域，无法达到路网的全覆盖。这导致部分道路无法得到有效监控，成为了交通数据采集系统的“盲区”。因此，通过有限数量的流量检测器实现全路网的交通状态实时准确感知具有重要意义。现有流量相关路段的实时流量预测模型需要详细的路网OD数据等先验信息，且建模过程繁复(通过在已知路段流量和其他未知具有相关性的路段流量间，分别建立两两对应的数学关系)，致使其难以实际指导流量检测器的布设优化。
为解决上述问题，本文考虑了路网拓扑结构对多路段流量相关性的影响，根据流量相关性对路段进行划分，针对每组流量相关路段建立了流量数据驱动的实时预测模型，避免了先验数据复杂的问题，实现了由已知路段流量至同组其他所有未知相关路段流量的整合建模，建模过程更为简洁。主要研究内容如下：
(1)在总结图论、复杂网络理论的基础上，通过对偶法构建路网拓扑结构，提取了5个影响多路段流量相关性的路网拓扑结构特征指标，包含反映路段自身物理特性的车道数，反映路段间关系的最短路径长度，反映路段在路网中重要程度的度、紧密中心度、介数。
(2)定性分析城市路网中不同路段流量在空间层面的相关性(即多路段流量相关性)，对“相关路段”、“关键路段”等基本概念进行明确界定。通过MDS定量分析多路段流量时间序列数据的相关程度，并根据相关程度强弱进行相关路段划分，为相关路段实时流量预测提供基础。
(3)针对每组相关路段分别建立结构为(6,p,q,1)的双隐层MLP神经网络的流量预测模型；通过对多路段流量相关性影响因素的分析，明确模型输入层变量为关键路段流量、车道数、度、最短路径长度、紧密中心度、介数，输出层变量为各预测路段流量，使用BP算法训练神经网络，并分析模型隐层数量对流量预测精度的影响。经重庆城市区域路网实证分析，流量预测模型准确性和可行性较高，可实际应用于指导交通流量检测器的布局。
为解决上述问题，本文考虑了路网拓扑结构对多路段流量相关性的影响，根据流量相关性对路段进行划分，针对每组流量相关路段建立了流量数据驱动的实时预测模型，避免了先验数据复杂的问题，实现了由已知路段流量至同组其他所有未知相关路段流量的整合建模，建模过程更为简洁。主要研究内容如下：
(1)在总结图论、复杂网络理论的基础上，通过对偶法构建路网拓扑结构，提取了5个影响多路段流量相关性的路网拓扑结构特征指标，包含反映路段自身物理特性的车道数，反映路段间关系的最短路径长度，反映路段在路网中重要程度的度、紧密中心度、介数。
(2)定性分析城市路网中不同路段流量在空间层面的相关性(即多路段流量相关性)，对“相关路段”、“关键路段”等基本概念进行明确界定。通过MDS定量分析多路段流量时间序列数据的相关程度，并根据相关程度强弱进行相关路段划分，为相关路段实时流量预测提供基础。
(3)针对每组相关路段分别建立结构为(6,p,q,1)的双隐层MLP神经网络的流量预测模型；通过对多路段流量相关性影响因素的分析，明确模型输入层变量为关键路段流量、车道数、度、最短路径长度、紧密中心度、介数，输出层变量为各预测路段流量，使用BP算法训练神经网络，并分析模型隐层数量对流量预测精度的影响。经重庆城市区域路网实证分析，流量预测模型准确性和可行性较高，可实际应用于指导交通流量检测器的布局。