道路交通流短时预测方法讨论[摘要]由于交通流数据具有高度的复杂性和非线性特性,如何提高交通流预测的精度一直是智能交通系统讨论的重要课题。本文在分析交通流预测的几种主要模型的基础上,提出了一种将混沌理论、神经网络和卡尔曼滤波技术组合的短时交通流预测方法,并论述了该预测方法的基本原理。[关键词]短时交通流预测卡尔曼滤波径向基神经网络像空间重构随着社会经济和交通事业的进展,交通的效率问题直接影响着人们的出行和物流的进展。多年来专家提出各种不同的方法,试图利用多种技术组建智能交通系(ITS)来缓解交通拥堵问题,动态路径诱导系统是 ITS 的一个核心组成部分。可靠的交通预测信息是动态路径诱导系统的基础和关键[1]。由于交通流数据具有高度的复杂性和非线性特性,如何提高交通流预测的精度一直是智能交通系统讨论的重要课题。一、短时沟通预测方法短时交通流预测是指在时刻 t 对下一决策时刻 t+△t 乃至以后若干时刻的交通流做出实时预测。一般认为预测时间跨度不超过 15min(乃至小于5min)的预测为短时交通流预测。按预测的内容,交通流预测可分为交通流量,交通速度,交通密度等 3 个基本参数的预测以及车辆占有率的预测等。自 20 世纪年代起,专家学者们就开始将许多其他学科的预测方法应用于短时交通流预测。进展至今,主要有基于传统数理统计的方法、基于神经网络的方法、基于非线性理论的方法等大类。(一)卡尔曼滤波模型卡尔曼滤波理论是 Kalman 于 1960 年提出的,进展至今,已有多种,如线性滤波、非线性滤波、自适应滤波以及各种简化滤波等方法。1984 年被用于短时交通流预测。是目前基于传统数理统计的方法中最好的预测方法之一。卡尔曼滤波是一种基于线性回归的预测方法。其采纳由状态方程和观侧方程组成的线性随机系统的状态空间模型来描述故波器,并利用状态方程的递推性,按线性无偏最小均方误差估量准则,采纳一套递推算法对滤波器的状态变量作最佳枯计,从而求得滤掉噪声的有用信号的最佳估量。卡尔曼滤波是线性预测模型:其中的参数向量 Hk(t)采纳线性迭代的方式进行枯计。在每次迭代中,用捕捉的上一次迭代的误差信息对预测因子向量 Vi(t-k),和系统本身的状态向量不断进行修正,从而力求在噪声项 ω(t)干扰情况下,使估量参数向量趋于最优,以准确地预测 Vi(t+k)。卡尔曼滤波具有较广泛的适应性,由于卡尔曼滤波采纳较灵活的递推状态空间模型,既适应于处理平稳数据,又可用于非平稳数据处理;模型具有线性、无偏...
