考虑路网流量时空特性的收费站下道流量预测方法

摘要

交通流量的预测作为智能交通的一个关键技术，在智能交通系统领域中占据着重要地位。准确而及时的交通流量预测结果不仅可以让出行者很好地了解交通状况，也可以给交通管理部门提供管控依据。现有以收费站为对象的研究主要以回归的方法分析自身流量历史规律，通过趋势外推的方式完成预测，忽略了收费站间的时空联系，预测效果不佳。因此，结合收费站间的时空关联对收费站流量进行准确而及时的预测具有重要的理论和现实意义。　　论文中通过分析收费数据的时间相关性，建立了结合时间序列分解的门控循环单元（GRU）收费站下道流量预测方法。通过分析收费站间的相互影响，建立考虑路网出入口（OD）间流量贡献时变性的流量预测方法，最后综合考虑时空特性建立组合预测方法，完成收费站下道流量的组合预测。主要内容包括：　　①结合时间序列分解的GRU下道流量预测方法。针对现有收费站流量预测方法大多采用时间序列回归的方法，忽略了流量数据之间的时间相关性的问题。本文建立了结合时间序列分解的GRU下道流量预测方法，充分挖掘数据内部关联，完成收费站下道流量的预测。利用重庆市高速公路的历史数据进行实验验证，并与差分综合移动平均自回归（ARIMA）预测方法以及支持向量回归机（SVR）预测方法进行对比，结果表明，文中建立的结合序列分解的GRU下道流量预测方法具有更高的预测精度。　　②考虑路网OD流量贡献时变性的下道流量预测方法。针对现有研究方法输入规模较大，复杂度较高的问题。文中通过分析路网中流量分布特性，确定OD预测方法的降维阈值，降低模型输入规模，然后分析OD间流量贡献变化规律，合理筛选相关站点，确定各入口收费站对目标收费站的流量转移权重，进而建立考虑路网OD流量贡献时变性的下道流量预测方法。利用重庆市高速公路历史数据以及实时上道数据验证了本文所建立的预测方法的有效性。　　③考虑时空特性的下道流量组合预测方法。针对现有收费站流量预测模型大多为单一预测模型，仅能反映序列部分信息，具有明显局限性的问题。本文利用动态加权法，根据单一模型在不同时段的预测性能，动态确定各单一预测模型权重，建立变权重组合预测模型，完成收费站流量有效预测。利用重庆市高速公路数据验证了本文考虑时空特性的下道流量组合预测方法的有效性。

目录

1 绪论

1.1研究背景

1.2国内外研究现状

1.2.1路段断面短时流量预测方法

1.2.2收费站短时流量预测方法

1.3课题的提出及意义

1.4论文主要内容及章节安排

1.5本章小结

2 收费站下道流量预测方法整体方案及关键问题

2.1引言

2.2收费站下道流量预测整体研究方案

2.3关键问题分析

2.4本章小结

3 结合时间序列分解的GRU下道流量预测方法

3.1结合时间序列分解的GRU下道流量预测现状及整体方案

3.2.1相关性分析理论

3.2.2收费站下道流量时间相关性分析

3.3结合序列分解的GRU网络下道流量预测方法

3.3.1循环神经网络概述

3.3.2 GRU深度学习网络

3.3.3结合时间序列分解的GRU网络下道流量预测方法

3.4实验验证与结果分析

3.4.1数据来源与评价指标

3.4.2实验结果分析

3.5本章小结

4 考虑路网OD流量贡献时变性的下道流量预测方法

4.1考虑OD流量贡献时变性的预测研究现状及整体方案

4.2 传统 OD矩阵预测方法

4.3.1 OD间流量分布特性分析

4.3.2 OD间贡献率估计

4.3.3 OD间贡献率时变性分析

4.3.4 OD权重矩阵估计

4.4建立考虑路网OD流量贡献时变性的下道流量预测方法

4.5实验验证

4.6本章小结

5 考虑时空特性的下道流量组合预测方法

5.1引言

5.2考虑时空特性的收费站下道预测方案概述

5.3 收费站下道流量组合预测方法

5.3.1 组合预测模型原理

5.3.2动态加权变权重组合预测方法

5.4实验验证与结果分析

5.5本章小结

6 总结与展望

6.1总结

6.2展望

参考文献

附录

A作者在攻读硕士学位期间参与的科研项目

B. 学位论文数据集

致谢