论文部分内容阅读
城市道路旅行时间预测不仅是城市交通信息服务系统必不可少的组成部分,也是城市智能交通控制和管理系统的重要支撑。精准的城市道路旅行时间预测不仅能够为交通参与者提供实时、有用的信息服务,诱导人们的出行行为,而且可以为城市交通管理部门制定交通控制和管理策略提供决策依据。本文以车牌识别数据为基础,对城市主干道旅行时间预测进行了研究,主要研究内容如下:(1)首先采用时间序列ARIMA方法,直接对城市道路长路段和组成长路段的各个短路段的旅行时间进行预测,然后提出一种组合短路段旅行时间预测值进而预测长路段旅行时间的算法,最后将长路段直接预测和组合预测的结果进行了对比、分析。研究表明,大多数情况下,组合短路段的长路段旅行时间预测方法具有更高的精度,在旅行时间短时预测方面具有更好的实用性。(2)提出了考虑时间特性的城市道路旅行时间预测主成分分析-梯度提升决策树(PCA-GBDT)模型,并结合青岛市福州路旅行时间数据对其预测精度和实用性进行验证。研究结果表明,与传统kNN模型、时间序列ARIMA方法、支持向量机方法相比,主成分分析-梯度提升决策树算法能够更好地捕捉交通流的非线性性质,捕捉城市道路旅行时间变化的特征,实现对旅行时间的准确预测,能够应用到实际的旅行时间预测中。(3)提出了考虑时间特性和空间相关性的城市道路旅行时间预测灰色逻辑-k近邻(GM-kNN)模型,提出了三种度量相似度的计算方法,利用了青岛市福州路的旅行时间真实数据对灰色逻辑-k近邻模型进行了验证。与此同时,为考虑交通流早、晚高峰的特点,采用层次聚类分析方法对不同时段的交通流进行分类,针对不同的时段采用不同的参数值,提出了时变灰色逻辑-k近邻模型。结果表明,考虑时间和空间相关性的灰色逻辑-k近邻模型相比于传统kNN方法具有更高的预测精度和更优的预测性能。(4)提出了基于深度学习的长短期记忆神经网络(LSTM)模型,选用四种类型的LSTM神经网络架构,在不考虑空间相关性和考虑空间相关性两种情况下,用青岛市福州路的旅行时间数据进行了训练、测试和分析。研究结果表明,考虑旅行时间预测中的空间相关性将大大地改善LSTM的预测能力,提高城市道路旅行时间的预测精度。