基于HMM的交通状态判别及其在交通流参数短时预测中的应用

摘要

道路交通状态判别能够为道路使用者和交通管理者提供实时的交通运行状态信息，对于道路交通信息服务和管理控制都具有重要意义。本文基于美国加利福尼亚州高速公路路段交通流实测数据，重点研究了基于隐马尔科夫模型(Hidden Markov Model，HMM)的交通状态判别方法，并基于交通状态判别结果构建随机森林模型(Random Forest，RF)分别对交通流参数流量、速度、占有率进行了短时预测。
　　交通状态转移是一个随时间变化的随机过程，不可直接观测到的交通状态和可直接观测到的交通流参数之间存在随机的映射关系。鉴于此，本文选取HMM模型对交通状态进行建模。根据文献调研，本文将交通状态个数定为5，选取流量、速度、占有率作为观测变量，并基于高速公路路段实测交通流数据，根据HMM中经典的三大问题构建了交通流运行状态判别模型。最后，从交通流参数散点图和交通流参数矢量图两个角度分析和评价交通状态判别结果，并与道路通行能力手册(Highway Capacity Manual，HCM)中经典的交通状态判别方法做对比。结果表明，基于HMM的交通状态判别结果符合交通流基本原理和统计学原理，且与HCM中的方法基本吻合。
　　考虑交通状态变化对交通流参数短时预测的影响，本文将上文中的交通状态判别结果作为特征变量构造输入空间，基于Gini系数分析各特征变量尤其是交通状态的重要性，构建了基于随机森林的交通流三参数短时预测模型，并与不考虑交通状态的经典交通流参数短时预测模型自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)作比较。结果表明，基于不同交通状态的交通流三参数短时预测模型的总体预测性能优于ARIMA模型。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 文献综述

1．2．1 交通状态判别研究综述

1．2．2 交通流参数短时预测研究综述

1．3 研究目标和内容

1．3．1 研究目标

1．4．1 技术路线描述

1．4．2 技术路线图

1．5 论文结构安排

1．6 本章小结

第二章 基于HMM的交通状态判别方法

2．1 概述

2．2 HMM模型概述

2．3 HMM三大问题及其解决算法

2．3．1 评价问题

2．3．2 解码问题

2．3．3 学习问题

2．4 交通状态判别方法构建

2．5 结果分析与评价方法

2．6 本章小结

第三章 基于不同交通状态的交通流参数短时预测方法

3．1 概述

3．2 随机森林模型概述

3．3 决策树和Bagging

3．4 交通流短时预测方法构建

3．5 预测性能评价方法

3．6 本章小结

第四章 实例分析

4．1 概述

4．2 数据描述及预处理

4．2．1 数据描述

4．2．2 数据描述及预处理

4．3 基于HMM的交通状态判别实例

4．3．1 HMM模型构建

4．3．2 交通状态判别结果分析与评价

4．4 交通流参数短时预测性能分析与评价

4．5 本章小结

第五章 结论与展望

5．1 研究成果总结

5．2 研究展望

致谢

参考文献

科研经历与硕士期间发表论文情况