论文部分内容阅读
随着城市化进程的快速发展，汽车数量急剧增长，而许多城市道路建设滞后，这样便会导致城市交通拥堵，交通事故频繁以及环境污染等问题日益突出。近年来，为了缓解这些问题，智能交通系统(Intelligent Transportation Systems，ITS)得到广泛研究和应用，并取得了良好的效果。目前的智能交通系统主要面临两大问题，一方面由于城市交通系统本身的强非线性、随机性、时变性等特点，其数学模型难以精确建立，在实际交通系统中进行交通控制代理实验分析和评价成本很高甚至无法进行;另一方面目前交通控制代理种类繁多，没有一种控制代理能满足所有不同的交通状态的控制需求。因此，针对一个区域的交通控制，无法为区域各个路口执行单元推荐最优的控制代理组合，以获得最佳的控制性能。
平行系统理论和ACP（人工系统+计算实验+平行执行）方法的提出及其在交通领域的应用为以上两个问题提供了有效的解决方法。ACP的基本思想是应用人工系统(Artificial Systems)建立所有交通实体的微观模型;进而应用计算实验(Computational Experiments)通过人工系统有目标、系统化的运行来验证、评估和优化不同交通控制方案;最终应用平行执行(Parallel Execution)将得到的方案应用于实际系统，并根据实际运行效果调整人工系统的模型、参数以及实验方案，通过二者之间的多次迭代得到实际交通系统的最优控制方案。
但该方法的瓶颈之一是控制系统的实时性难以保证。一方面，仅凭当前时刻的交通信息，交通控制代理无法实现“智能”，即不能提供前馈控制。如果人工系统和实际控制系统在采集完各个路口的交通信息后才发送控制指令，那么当控制指令发送到各个路口的执行机构时，路口的交通状态已发生变化，使得控制指令滞后于当前交通信息。另一方面，随着交通数据采集设备的不断完善和更新，交通流数据量日益增大，传统的交通数据处理方法的时间也随之增加，使得算法的实时性能降低。交通控制代理能否在实际应用中发挥出更大的作用，也即能否满足控制系统对实时性的需求，很大程度上取决于交通预测算法的精度和速度能否得到有效提高。
本文以提高区域交通信号控制系统性能为目标，重点展开三个方面的研究:基于数据驱动的区域短时交通流预测算法及其分布式并行化方法研究、考虑邻近路口交通流信息的交通流预测算法研究和区域交通控制代理组合评价及推荐研究。在研究方法上，本文从数据驱动角度对区域交通流预测算法进行研究，利用云平台分布式并行计算的特点，加速算法在处理多个路口时的运行速度;在利用当前路口交通信息的同时，考虑区域内各个邻近路口的信息来做预测。在预测出各个路口的交通流的基础上，通过计算实验得出一个区域的各个路口的控制代理组合性能，提前推荐最优的控制代理组合给该区域的各个路口。在硬件层面应用开源云计算模型——Hadoop，实现海量交通流数据的分布式存储与并行计算，提高交通流预测算法的运行速度和智能交通系统的存储能力，具体研究内容如下:
第一，基于加权模式识别算法的区域短时交通流预测及其分布式并行化方法研究。结合交通流在时间和空间的特性，提出一种基于加权模式识别的交通流预测算法。将连续两个采样周期的交通流的增、减及不变等状态，用模式“1”，“-1”和“0”表示，同时利用每个路口的交通流的自身规律，从历史交通流模式中匹配出与当前交通流量模式相同的历史交通流模式，并结合交通流的时间特性，对与当前交通流模式匹配的历史交通流模式进行加权，由加权的交通流模式计算出预测值。同时在考虑交通流变化方向概率的基础上，改进加权模式识别算法。利用江苏省太仓市现场采集的交通数据，验证了算法的精确性，给出了算法的运行结果，并比较算法的MapReduce并行实现方案相对于传统方案的加速效果。主要创新点是同时考虑了交通流的时间和空间特性来做预测，并通过并行化处理提高算法的运行速度。
第二，基于k阶局部加权回归算法的区域交通流预测及其分布式并行化方法研究。从海量的历史交通流数据中挖掘出输入-输出对之间的映射关系，根据这个映射关系，结合与当前交通状态最匹配的k个历史交通状态计算出下一采样周期内的交通量。利用实际采集的交通数据进行算法性能测试，结果表明在保证预测精度的情况下，降低了算法的时间复杂度，同时对k阶局部加权回归算法进行并行化处理，更进一步加快算法在处理多个路口时的运行速度。主要创新点是在保证算法预测精度的同时，通过选取最匹配的k个历史状态做预测以及对算法进行并行化处理的方法来提高算法的运行速度。
第三，基于模糊逻辑的区域交通流预测算法研究。将交通流的变化看作是邻近路口交通流和当前路口交通流共同作用的结果。从历史交通流数据中挖掘出邻近路口交通流的变化对当前路口交通流变化的影响，并建立模糊规则库，进行模糊运算，并将其计算结果与利用当前研究路口数据得出的预测结果求和以获取最终的预测结果。主要创新点是同时考虑本地路口和邻近路口的交通流信息来做预测，充分利用包含在历史数据中可用于预测的信息。
第四，基于云平台的区域交通控制代理推荐系统研究。利用区域交通流预测算法的结果，结合在人工系统中通过计算实验获取的控制代理组合控制性能评价，推荐最优的控制代理组合给区域的各个路口。主要创新点是无需建立区域交通的模型，也不必考虑单个路口在不同控制代理下对相邻路口交通的影响，借助计算实验对不同控制代理的组合性能进行评价，并根据下一采样周期内区域各路口交通流量的预测值，选取最佳的控制代理组合推荐给区域内的各个路口。
第五，基于ACP的智能交通系统云服务平台设计。利用ACP方法和开源云计算模型，搭建智能交通系统云服务平台框架。在该框架下，建立基于上述交通流预测算法的区域交通流预测系统和区域控制代理推荐系统。