论文部分内容阅读
随着我国现代化、城市化进程加快,机动车保有量,特别是私人小汽车爆发式增长;而与此同时我国城市的道路建设由于城市空间的限制增长速度相对较慢且增长空间有限;道路供给和机动车出行需求之间的不平衡日渐突出,导致城市道路交通拥堵愈发严重。但从现有的道路时空利用情况看,交通流分布不均匀,设施利用不充分。基于行程速度预测的交通诱导和控制策略可在不增加道路供给的情况下,充分利用道路时空资源,从而有效的缓解道路交通拥堵。目前的交通流检测器检测到的数据精度缺乏评价和验证,且数据缺失严重、数据质量低很难满足短时行程速度预测模型的需求。因此对各类采集的动态交通数据的质量评价进而根据评价结果制定相应精度预测模型具有十分重要的意义。
本文系统的分析了智能交通系统的发展和现阶段应用情况,进一步明确了动态交通预测对智能交通系统的重要性;比较了不同短时交通预测模型的优缺点和数据需求特点;结合现有所掌握的数据基础和预测的目标分析了各种短时交通预测方法的适用条件。通过上述的研究,提出了本文所采用的基于数据质量评价的行程速度预测方法,以及交通数据质量评价的评价目标。
论文从现有多源交通流检测器的数据精度评价入手,针对浮动车检测器、微波检测器以及线圈检测器的路段速度数据进行研究,利用全球定位系统实时记录试验车位置并辅以人工记录,分别在快速路和主干路进行了12次实验,对不同采集方式获取的速度信息进行了精度验证和评价。实验结果分析表明,浮动车数据获取的城市快速路和主干路的路段行程速度平均误差分别为13.6%和27.8%,且采集值与实际速度具有相同的分布。快速路微波检测器和主干路线圈检测器的速度数据与真实行程速度数据的误差分别为30%和56%。表明了微波检测器的断面速度值,用来表征所处路段的行程速度时虽然具有更大的误差,但是基本能表征路段的行驶状况。上述研究结论为数据质量评价和利用多源数据的冗余信息提高数据的完备性提供了科学依据。此外,论文还对现有交通数据的缺失情况进行了统计和分析,分析结果显示浮动车快路网数据缺失率平均为28%,主干路则高达66%,而微波检测器的平均数据缺失量为24%。通过上述分析本文采用了基于粗糙集的行程速度定性预测方法。粗糙集方法具有对信息系统所需的数据项进行约简并计算其重要性特点。
为了确定预测模型的输入数据项,本文对行程速度预测影响因素进行了分析。通过分析行程速度的周期性变化,确定了现时的行车速度变化趋势与上周同一时刻的行程速度变化趋势有关。利用经济学中的协整理论,分析了上下游路段行程速度的相关性,并得到了t行程速度时刻的行程速度与t-1和t-2时刻行程速度有关。并通过对交通流特性的分析,得到行程速度与占有率密切相关。最后确定了基于粗糙集的预测模型的输入数据项。
数据挖掘和行程速度预测是两个方向相反且相辅相成的数据处理过程,数据挖掘为行程速度预测提供预测模型和规则,并建立数据质量评价标准。而行程速度预测则为数据挖掘提供指导并验证其效果。在进行数据挖掘之前首先需要进行数据准备。本文从宏观到微观先后采用了3种方法对交通数据进行筛选,然后通过数据的时空匹配建立了统一的交通数据库。由于粗糙集方法更适合对离散的数据进行数据挖掘和预测,本文对现有的数据离散化方法进行了比较分析,最后采用基于分类一致性的方法对交通数据进行离散化,得到粗糙集预测方法所必须的信息系统决策表。通过对决策表的分析,证明行程速度预测信息系统的决策表为不一致决策表,利用广义粗糙集的决策表约简方法,对不一致决策表进行约简。而后对每个输入项的重要度进行计算,并对各种输入数据项组合情况的数据质量进行评价,建立交通数据质量评价标准。
文章最后根据不同数据项组的数据质量以及该情况下提取的粗糙集决策规则,给出了不同预测精度的预测规则,并建立定性行程速度预测的预测流程,通过实际数据对预测结果进行了验证。结论表明本文的预测方法适用于大多数数据质量情况,且平均预测正确率为85%。