短时交通流预测模型

具有静态稳定的优点 ， 但是不能准确反映交通流 便， 过程的不确定性与 非 线 性 特 点 ； 另一类为基于人工 典型代 表 为 Ｂ 具 智能技术的模型 ， Ｐ 神 经 网 络 模 型， 有较强的动态非线性映射能力 。 由于道路交通系统具有历史规律性、 时变性与 单一预测模型的预测结果难以 空间非线性相关性 ， 全面反映道路交通 情 况 ， 不能完全反映交通流的本 具有一定的片面性 ， 同时各个预测算法自身 质特征 ， 因此 ， 近年来混合方法逐渐成为 也有一定的局限性 ， 研究热点 ： Ｚ ｈ ａ ｎ Ｂ Ｆ ＶＭ 组 合 －ＮＮ 与 Ｓ ｇ等采用了 Ｒ 模型
收稿日期 ： ２ ０ １ ２ ０ ２ ０ ７ － － ） ； ） ； ） ； 基金项目 ： 国家自然科学基金项目 （ 长江学者和创新团队发展计划项目（ 陕西省自然科学基金项目（ ５ ０ ９ ７ ８ ０ ３ ０ Ｉ Ｒ Ｔ ０ ９ ５ １ ２ ０ ０ ９ ｍ ８ ０ ０ ２ １ － － ｊ ） 中央高校基本科研业务费专项资金项目 （ ＣＨＤ ２ ０ １ １ Ｊ Ｃ ０ ２ ７， ＣＨＤ ２ ０ １ １ Ｊ Ｃ ０ ５ ６ ， 作者简介 ： 樊 娜（ 女， 陕西渭南人 ， 长安大学讲师 ， 工学博士 ， 从事交通信息控制研究 。 １ ９ ７ ８ －）
（ ， ， ， ； １． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｉ ｎ ｅ ｅ ｒ ｉ ｎ Ｃ ｈ ａ ｎ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ Ｘ ｉ ａ ｎ ７ １ ０ ０ ６ ４， Ｓ ｈ ａ ａ ｎ ｘ ｉ Ｃ ｈ ｉ ｎ ａ ｇ ｇ ｇ ｙ ， ） ２． Ｃ ｈ ｉ ｎ ａ Ｔ ｒ ａ ｎ ｓ ｏ ｒ ｔ ａ ｔ ｉ ｏ ｎ Ｔ ｅ ｌ ｅ ｃ ｏ ｍｍ ｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｃ ｅ ｎ ｔ ｅ ｒ Ｂ ｅ ｉ ｉ ｎ １ ０ ０ ０ １ １， Ｃ ｈ ｉ ｎ ａ ｐ ｊ ｇ
（ ） 文章编号 ： １ ６ ７ １ １ ６ ３ ７ ２ ０ １ ２ ０ ４ ０ １ １ ４ ０ ６ － － －
短时交通流预测模型
２ ， 樊 娜１， 赵祥模１， 戴 明１， 安毅生１
（ ） 长安大学 信息工程学院 ， 陕西 西安 ７ 中国交通通信信息中心 ， 北京 １ １． １ ０ ０ ６ ４； ２． ０ ０ ０ １ １
路段检测器布局的新型预测模型
。 以上针对短时
［ ８］
交通 流 的 预 测 技 术 大 致 可 以 分 为 两 类
： 一类为传
统的统计算 法 模 型 ， 如 历 史 平 均 模 型、 移动平均模 卡尔曼滤波模 型 、 线 性 回 归 模 型、 自回归滑动模 型、
９］ ， 型等 ［ 这 类 模 型 考 虑 因 素 相 对 简 单， 计算较为简
Ｓ ｈ ｏ ｒ ｔ ｔ ｅ ｒ ｍ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｆ ｌ ｏ ｗ ｍ ｏ ｄ ｅ ｌ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ － ｐ
１ １ １２ １ ， ， Ｆ ＡＮ Ｎ ａ Ｚ ＨＡＯ Ｘ ｉ ａ ｎ ｏ Ｄ Ａ Ｉ Ｍ ｉ ｎ Ｙ ｉ ｓ ｈ ｅ ｎ －ｍ － ｇ ｇ ，ＡＮ ｇ ，
第 ４ 期 樊 娜 ， 等： 短时交通流预测模型
１ １ ５
０ 引 言
在智 能 交 通 领 域， 短时交通流预测方法是智能 交通领域的研究热点 ， 从２ 人们 ０ 世纪 ６ ０ 年代开始 ， 就开始把其他领域成熟的预测模型用于短时交通流 预测 ， 并开发了多种预测模型与方法 ， 包括人工神经
１ 单项模型的选择与建立
１． １ 非参数回归模型 非参 数 回 归 模 型 是 利 用 数 据 库 模 式 匹 配 ， 找到 一组与输入数据相 对 应 ， 或者相似的数据来进行预
１ ３］ ， 测［ 其短时交通流预测流程见图 １。
平均模型
［ ］ ５ ６ －
等， 以及基于自适应Βιβλιοθήκη Baidu子群优化算法与
［ ７］
第１ ２卷 第４期 ２ ０ １ ２年８月
交 通 运 输 工 程 学 报 Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｔ ｒ ａ ｆ ｆ ｉ ｃ ａ ｎ ｄ Ｔ ｒ ａ ｎ ｓ ｏ ｒ ｔ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｐ ｇ ｇ
Ｖ ｏ ｌ ． １ ２ Ｎ ｏ ． ４ Ａ ｕ ． ２ ０ １ ２ ｇ
１］ ２］ 、 、 混沌 理 论 模 型 ［ 傅 里 叶 变 换 模 型、 卡 网络模型 ［ ３］ ４］ 、 、 尔曼滤波模型 ［ 灰色理论模型 ［ 自回归差分移动
非线性及周期稳定性的特点 ， 在此基础 通流时变性 、 上将 非 参 数 回 归 模 型 与 Ｂ Ｐ 神经网络模型有机结 合， 建立混合模型 ， 以充分发挥各单项模型的预测优 点， 同时具有模型之间互补融合的特性 ， 从而能更全 有效提高预测精度 。 面地对道路交通流进行预测 ，
：Ａ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ｎ ｅ ｗ ｈ ｂ ｒ ｉ ｄ ｍ ｏ ｄ ｅ ｌ ｉ ｎ ｃ ｌ ｕ ｄ ｉ ｎ ｔ ｗ ｏ ｓ ｉ ｎ ｌ ｅ ｍ ｏ ｄ ｅ ｌ ｓ ｏ ｆ ｎ ｏ ｎ ａ ｒ ａ ｍ ｅ ｔ ｒ ｉ ｃ ｒ ｅ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｙ ｇ ｇ ｐ ｇ ｐ ａ ｎ ｄ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｍ ｏ ｄ ｅ ｌ ｗ ａ ｓ ｒ ｏ ｏ ｓ ｅ ｄ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｔ ｏ ｔ ｈ ｅ ｅ ｒ ｉ ｏ ｄ ｉ ｃ ｉ ｔ ａ ｎ ｄ ｒ ａ ｎ ｄ ｏ ｍ ｎ ｅ ｓ ｓ ｍ ｏ ｄ ｅ ｌ ｐ ｐ ｇ ｐ ｙ ｒ ｏ ｅ ｒ ｔ ｉ ｅ ｓ ｏ ｆ ｓ ｈ ｏ ｒ ｔ ｔ ｅ ｒ ｍ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｆ ｌ ｏ ｗ． Ｒ ｅ ｌ ｅ ｖ ａ ｎ ｔ ｈ ｉ ｓ ｔ ｏ ｒ ｉ ｃ ａ ｌ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｆ ｌ ｏ ｗ ｄ ａ ｔ ａ ｗ ｅ ｒ ｅ ｕ ｓ ｅ ｄ ｉ ｎ － ｐ ｐ ｎ ｏ ｎ ａ ｒ ａ ｍ ｅ ｔ ｒ ｉ ｃ ｒ ｅ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ｍ ｏ ｄ ｅ ｌ ｔ ｏ ｍ ａ ｋ ｅ ｔ ｈ ｅ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ａ ｂ ｔ ａ ｉ ｎ ｅ ｄ ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｄ ａ ｔ ａ ｂ ａ ｓ ｅ ｓ ｐ ｇ ｐ ｍ ａ ｔ ｃ ｈ ｉ ｎ ｒ ｏ ｃ ｅ ｅ ｄ ｉ ｎ ｆ ｕ ｌ ｌ ｉ ｌ ｌ ｕ ｓ ｔ ｒ ａ ｔ ｅ ｔ ｈ ｅ ｃ ｃ ｌ ｉ ｃ ａ ｌ ｓ ｔ ａ ｂ ｉ ｌ ｉ ｔ ｏ ｆ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｆ ｌ ｏ ｗ．Ｔ ｈ ｒ ｅ ｅ ｔ ｉ ｅ ｒ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ － ｇ ｐ ｇ ｙ ｙ ｙ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｍ ｏ ｄ ｅ ｌ ｗ ａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｒ ｅ ｆ ｌ ｅ ｃ ｔ ｔ ｈ ｅ ｄ ｎ ａ ｍ ｉ ｃ ａ ｎ ｄ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｓ ｏ ｆ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｆ ｌ ｏ ｗ．Ｆ ｕ ｚ ｚ ｙ ｙ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ａ ｄ ｏ ｔ ｅ ｄ ｔ ｏ ｅ ｔ ｔ ｈ ｅ ｗ ｅ ｉ ｈ ｔ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｏ ｆ ｅ ａ ｃ ｈ ｍ ｏ ｄ ｅ ｌ ． Ｎ ｅ ｗ ｍ ｉ ｘ ｅ ｄ ｍ ｏ ｄ ｅ ｌ ｗ ａ ｓ ｇ ｐ ｇ ｇ ｂ ｔ ｈ ｅ ｔ ｗ ｏ ｓ ｉ ｎ ｌ ｅ ｍ ｏ ｄ ｅ ｌ ｓ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｔ ｏ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｗ ｅ ｉ ｈ ｔ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｓ ．Ｔ ｈ ｅ ｃ ｏ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｄ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｙ ｇ ｇ ｇ ｐ ｏ ｆ ｈ ｂ ｒ ｉ ｄ ｍ ｏ ｄ ｅ ｌ ｗ ａ ｓ ｖ ｅ ｒ ｉ ｆ ｉ ｅ ｄ ｂ ｔ ｈ ｅ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｆ ｌ ｏ ｗ ｄ ａ ｔ ａ ｉ ｎ ３ ０ｄ ｆ ｒ ｏ ｍ ａ ｃ ｅ ｒ ｔ ａ ｉ ｎ ｓ ｅ ｃ ｔ ｉ ｏ ｎ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｙ ｙ ｐ ｉ ｎ Ｘ ｉ ａ ｎ． Ｅ ｘ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｅ ｓ ｔ ｈ ａ ｔ ｔ ｈ ｅ ａ ｖ ｅ ｒ ａ ｅ ｒ ｅ ｌ ａ ｔ ｉ ｖ ｅ ｅ ｒ ｒ ｏ ｒ ｏ ｆ ｍ ｉ ｘ ｅ ｄ ｍ ｏ ｄ ｅ ｌ ｉ ｓ １ ． ２ ６％ ， ｐ ｇ ａ ｎ ｄ ｉ ｔ ｓ ｍ ａ ｘ ｉ ｍ ｕ ｍ ｒ ｅ ｌ ａ ｔ ｉ ｖ ｅ ｅ ｒ ｒ ｏ ｒ ｉ ｓ ３ ． ５ ３％ ， ｓ ｏ ｔ ｈ ｅ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｏ ｆ ｍ ｉ ｘ ｅ ｄ ｍ ｏ ｄ ｅ ｌ ｉ ｓ ｏ ｂ ｖ ｉ ｏ ｕ ｓ ｌ ｐ ｙ ｙ ， ， ｈ ｉ ｈ ｅ ｒ ｔ ｈ ａ ｎ ｔ ｗ ｏ ｓ ｉ ｎ ｌ ｅ ｍ ｏ ｄ ｅ ｌ ｓａ ｎ ｄ ｃ ａ ｎ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｌ ｒ ｅ ｆ ｌ ｅ ｃ ｔ ｔ ｈ ｅ ｒ ｅ ａ ｌ ｓ ｉ ｔ ｕ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｆ ｌ ｏ ｗ． ６ｔ ａ ｂ ｓ ｇ ｇ ｙ ， ５ｆ ｉ ｓ １ ６ｒ ｅ ｆ ｓ ． ｇ ：ｓ ；ｈ ；ｎ ；Ｂ Ｋ ｅ ｗ ｏ ｒ ｄ ｓ ｈ ｏ ｒ ｔ ｔ ｅ ｒ ｍ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｆ ｌ ｏ ｗ ｅ ｒ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｂ ｒ ｉ ｄ ｍ ｏ ｄ ｅ ｌ ｏ ｎ ａ ｒ ａ ｍ ｅ ｔ ｒ ｉ ｃ ｒ ｅ ｒ ｅ ｓ ｓ ｉ ｏ ｎ Ｐ － ｐ ｙ ｐ ｇ ｙ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ； ｆ ｕ ｚ ｚ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｙ ： （ ， ， ， ， Ａ ｕ ｔ ｈ ｏ ｒ ｒ ｅ ｓ ｕ ｍ ｅ Ｆ ＡＮ Ｎ ａ １ ９ ７ ８ ｆ ｅ ｍ ａ ｌ ｅ ｌ ｅ ｃ ｔ ｕ ｒ ｅ ｒ Ｐ ｈ Ｄ，＋８ ６ ２ ９ ８ ２ ３ ３ ４ ７ ６ ３ ｆ ｎ ｓ ｅ ａ ６ ３． ｃ ｏ ｍ． －） － － ＠１
摘 要： 针对短时交通流变化周期性与随机性的特点 ， 提出了 新 的 混 合 预 测 模 型 ， 包含非参数回归 通过数据库 模型与 Ｂ Ｐ 神经网络模型 ２ 种单项 模 型 。 非 参 数 回 归 模 型 利 用 相 关 历 史 交 通 流 数 据 ， 匹配操作 ， 确定预测结果 ， 以充分体现交通流的周期 稳 定性 。 采 用 ３ 层 Ｂ Ｐ 神经网络模型 反映 交通 流的动 态 与非 线 性特点 。 采 用模 糊控制算 法确定 各 单项模型 的 权 重 ， 并按不同权重有效组合成新 的混合模型 。 采 用 西 安 市某 路 段 ３ ０ｄ 的交通流 量 数据 验证 混合模型的预测 效 果 。 试验 结果 表 明 ： 该 混合模型的 平均 相对 误差为 １ 最大 相对 误 差 为 ３ 其预测精度明显高于单项模型单 ． ２ ６％ ， ． ５ ３％ ， 独 预测时的 精度 ， 能较准 确 地反映 交通流 真实情况 。 关键词 ： 短时交通流预测 ； 混合模型 ； 非参数回归 ； 模 糊控制 Ｂ Ｐ 神经网络 ； 中图分类号 ： Ｕ ４ ９ １． １ ４ 文献标志码 ： Ａ