论文部分内容阅读
汽车化社会不可避免地导致了环境污染、资源浪费和交通拥堵等问题。如何有效地解决交通拥堵瓶颈已成为各大城市共同面临的难题。实时准确的交通状态信息可为市民出行和交通管理提供指导性建议。对短时交通状态进行分析和预测是缓解城市交通拥堵的有力举措,具有重大的研究意义和实际经济效益。本论文针对如何有效解决城市交通拥堵现状,并及时为市民提供短时交通出行信息的问题,提出了一种新颖的融合时空信息的短时交通状态分析与预测方法。首先,提出了基于可优化自适应多核支持向量机(AMSVM)的短时交通流预测算法。其次,考虑了交通流的时空相关性,并加权融合了AMSVM预测值和时空相关预测值。此外,利用了模糊C均值聚类(FCM)和随机森林方法分析交通流特征参数,进而得到短时交通状态的预测结果。本文开展了三个方面的研究工作:1.基于可优化AMSVM的短时交通流预测。首先,探索了交通流的非线性和随机性特征,提出了混合高斯核函数和多项式核函数的AMSVM。其次,提出了自适应粒子群优化算法(APSO)来优化AMSVM的参数。此外,阐述了如何根据历史数据和实时数据预测短时交通流的具体流程。所提出的APSO-AMSVM短时交通流预测算法,同时提高了预测的精度和速度,能更好地适应复杂多变的交通状况,实现了对短时交通流的实时高效率预测。2.融合时空相关性的短时交通流预测。首先,探索了久远历史交通流数据的时间相关性,获得时间相关预测值。其次,探索了空间关联点交通流数据的空间相关性,获得空间相关预测值。此外,加权融合了AMSVM预测值、时间相关预测值和空间相关预测值,从而获得目标兴趣点短时交通流的最终预测结果。所提出的融合时空相关性的短时交通流预测算法(AMSVM-STC),进一步提升了AMSVM预测结果的可靠性和准确性,从多个维度充分挖掘了交通流信息,可以适应极度复杂的城市交通状况并且取得相当可观的预测结果。3.短时交通状态分析与预测。首先,利用了AMSVM-STC算法分别预测不同道路场景的短时交通流量、速度和占有率,获得完整的交通流参数预测值。其次,采用了FCM算法获取历史交通状态信息。最后,利用了随机森林算法分析所预测的短时交通流参数,进而预测所需的短时交通状态。实验结果表明,FCM对历史交通状态的评估方式适用于不同的高速路和城市道路场景,随机森林比其他常见的机器学习方法有更高的预测精度和泛化性能。仿真结果符合实际交通状况的一般规律,从而可为用户提供实时有效的短时交通出行信息。