【摘要】：為解決傳統(tǒng)車隊離散模型基于概率分布假設(shè)和現(xiàn)有交通流預(yù)測時間粒度過大不能應(yīng)用于自適應(yīng)信號配時優(yōu)化等問題.在車隊離散模型的建模思路上,先分析了下游交叉口車輛到達與上游交叉口車輛離去之間的關(guān)系,基于此構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的小時間粒度交通流預(yù)測模型.該模型以上游交叉口離去流量分布為輸入,下游交叉口到達流量分布為輸出,時間粒度為5 s.最后,通過實際調(diào)查數(shù)據(jù)標定模型參數(shù)并應(yīng)用模型預(yù)測下游交叉口到達流量.結(jié)果表明,與Robertson模型相比,本文模型預(yù)測結(jié)果能夠更好地反映交通流的變化特征,平均預(yù)測誤差減少了8.3%.成果可用于信號配時優(yōu)化.
[Abstract]:In order to solve the problems of traditional vehicle fleet discrete model based on probability distribution assumption and the existing traffic flow prediction time granularity too large can not be applied to adaptive signal timing optimization and so on. Based on the analysis of the relationship between the arrival of vehicles at downstream intersections and the departure of vehicles at upstream intersections, a small time granularity traffic flow prediction model based on neural network is constructed. The model takes the outgoing flow distribution of upstream intersection as input, the arrival flow distribution of downstream intersection as output, and the time granularity is 5 s. Finally, the model parameters are calibrated by the actual survey data and the arrival flow of the downstream intersection is predicted by the model. The results show that compared with the Robertson model, the prediction results of this paper can better reflect the changing characteristics of traffic flow, and the average prediction error is reduced by 8.3%. The results can be used for signal timing optimization.
【作者單位】： 西南交通大學(xué)交通運輸與物流學(xué)院;西南交通大學(xué)綜合交通運輸智能化國家地方聯(lián)合工程實驗室;重慶交通大學(xué)交通運輸學(xué)院;
【基金】：國家自然科學(xué)基金(51578465,71402149) 西南交通大學(xué)拔尖創(chuàng)新人才培育(2016-2017)~~
【分類號】：U491.14

【參考文獻】

相關(guān)期刊論文 前4條

1 姚志洪;蔣陽升;吳云霞;劉玉喬;;基于速度服從混合PH分布的車隊離散模型[J];交通運輸系統(tǒng)工程與信息;2016年03期

2 廖瑞輝;周晶;;基于云—自組織神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型[J];交通運輸系統(tǒng)工程與信息;2014年04期

3 呂進;趙祥模;樊�，|;旺乃姆;;基于生長自組織神經(jīng)網(wǎng)絡(luò)群的交通流預(yù)測[J];交通運輸系統(tǒng)工程與信息;2013年03期

4 楊兆升;王媛;管青;;基于支持向量機方法的短時交通流量預(yù)測方法[J];吉林大學(xué)學(xué)報(工學(xué)版);2006年06期

【共引文獻】

相關(guān)期刊論文 前10條

1 姚志洪;蔣陽升;韓鵬;羅孝羚;徐韜;;基于神經(jīng)網(wǎng)絡(luò)的小時間粒度交通流預(yù)測模型[J];交通運輸系統(tǒng)工程與信息;2017年01期

2 邴其春;龔勃文;林賜云;楊兆升;曲鑫;;基于粒子群優(yōu)化投影尋蹤回歸模型的短時交通流預(yù)測[J];中南大學(xué)學(xué)報(自然科學(xué)版);2016年12期

3 姚志洪;沈旅歐;巫威眺;蔣陽升;黃磊;;基于行程時間分布的異質(zhì)交通流車隊離散模型[J];中國公路學(xué)報;2016年08期

4 薛紅軍;陳廣交;李鑫民;顧理;;基于決策樹理論的交通流參數(shù)短時預(yù)測[J];交通信息與安全;2016年03期

5 趙元棣;孫禾;;航空器飛行狀態(tài)預(yù)測的混合模型研究[J];飛行力學(xué);2016年04期

6 商強;楊兆升;李志林;李霖;曲鑫;;基于相空間重構(gòu)和RELM的短時交通流量預(yù)測[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2016年04期

7 田�；�;郭彬;;基于時空特征分析的短時交通流預(yù)測模型[J];重慶交通大學(xué)學(xué)報(自然科學(xué)版);2016年03期

8 黃慧瓊;;基于模糊理論的城市道路短時交通流量預(yù)測研究[J];公路工程;2016年01期

9 王錫偉;高軍偉;張彬;劉新;;改進粒子群算法優(yōu)化RBF的交通流預(yù)測研究[J];青島大學(xué)學(xué)報(工程技術(shù)版);2015年04期

10 丁宏飛;劉博;羅霞;李演洪;;基于粒計算的交通流參數(shù)預(yù)測[J];交通運輸系統(tǒng)工程與信息;2015年06期

【二級參考文獻】

相關(guān)期刊論文 前10條

1 巫威眺;沈旅歐;靳文舟;;基于速度截斷分布和流量的車隊離散模型[J];西南交通大學(xué)學(xué)報;2014年01期

2 巫威眺;沈旅歐;靳文舟;;基于速度截斷對數(shù)正態(tài)分布的車隊流量離散模型[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2013年04期

3 巫威眺;沈旅歐;靳文舟;;基于速度截斷對數(shù)正態(tài)分布的車隊密度離散模型[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2013年03期

4 巫威眺;沈旅歐;靳文舟;;假設(shè)速度服從截斷正態(tài)分布的公交車隊密度離散模型[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2013年02期

5 沈旅歐;靳文舟;魏明;;考慮車速分布區(qū)間限制的車隊密度離散模型[J];吉林大學(xué)學(xué)報(工學(xué)版);2012年06期

6 萬映紅;胡萬平;曹小鵬;;基于粗糙神經(jīng)網(wǎng)絡(luò)的客戶消費分類模型研究[J];管理工程學(xué)報;2011年02期

7 劉海軍;柳征;姜文利;周一宇;;基于云模型和矢量神經(jīng)網(wǎng)絡(luò)的輻射源識別方法[J];電子學(xué)報;2010年12期

8 董春嬌;邵春福;熊志華;李娟;;基于Elman神經(jīng)網(wǎng)絡(luò)的道路網(wǎng)短時交通流預(yù)測方法[J];交通運輸系統(tǒng)工程與信息;2010年01期

9 黃強;吳建軍;;基于云-神經(jīng)網(wǎng)絡(luò)的液體火箭發(fā)動機故障檢測方法[J];國防科技大學(xué)學(xué)報;2010年01期

10 陳小鴻;馮均佳;楊超;;基于浮動車數(shù)據(jù)的行程時間可靠度特征研究[J];城市交通;2007年05期

【相似文獻】

相關(guān)期刊論文 前10條

1 史其信,鄭為中;道路網(wǎng)短期交通流預(yù)測方法比較[J];交通運輸工程學(xué)報;2004年04期

2 王進,史其信;神經(jīng)網(wǎng)絡(luò)模型在短期交通流預(yù)測領(lǐng)域應(yīng)用綜述[J];河南科技大學(xué)學(xué)報(自然科學(xué)版);2005年02期

3 向紅艷;朱順應(yīng);王紅;嚴新平;;短期交通流預(yù)測效果的模糊綜合評判[J];武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版);2005年06期

4 王曉原;吳磊;張開旺;張敬磊;;非參數(shù)小波算法的交通流預(yù)測方法[J];系統(tǒng)工程;2005年10期

5 向紅艷;肖盛燮;;模糊數(shù)學(xué)方法在交通流預(yù)測評價中的應(yīng)用[J];重慶交通學(xué)院學(xué)報;2006年04期

6 王進;史其信;;基于非線性理論的短期交通流預(yù)測研究[J];西安建筑科技大學(xué)學(xué)報(自然科學(xué)版);2006年02期

7 黃洪瓊;湯天浩;;基于最優(yōu)梯度自適應(yīng)優(yōu)化算法的交通流預(yù)測[J];計算機工程;2007年07期

8 喬德華;張開禾;范耀祖;;多模型交通流預(yù)測優(yōu)化[J];交通標準化;2007年04期

9 李冬;;關(guān)于交通流預(yù)測各種模型的探討[J];今日科苑;2007年16期

10 馬海波;何超;徐鵬;;交通流預(yù)測網(wǎng)格自適應(yīng)負載平衡研究[J];科學(xué)技術(shù)與工程;2008年15期

相關(guān)會議論文 前5條

1 姜敏華;張曉東;;穩(wěn)定轉(zhuǎn)彎比例下的交通流預(yù)測[A];2007第三屆中國智能交通年會論文集[C];2007年

2 閆偉;劉云崗;王桂華;;數(shù)據(jù)挖掘在交通流預(yù)測模型中的研究與應(yīng)用[A];2008第四屆中國智能交通年會論文集[C];2008年

3 陳岳明;蕭德云;;擁堵條件下的路網(wǎng)交通流預(yù)測[A];2008’“先進集成技術(shù)”院士論壇暨第二屆儀表、自動化與先進集成技術(shù)大會論文集[C];2008年

4 田夫;李勇;孫占全;;短時交通流預(yù)測方法研究[A];2007第三屆中國智能交通年會論文集[C];2007年

5 王勝;萬健如;楊岳楓;韓雙;;基于蒙特卡羅法電梯交通流預(yù)測[A];天津市電機工程學(xué)會2012年學(xué)術(shù)年會論文集[C];2012年

相關(guān)博士學(xué)位論文 前1條

1 楊飛;基于回聲狀態(tài)網(wǎng)絡(luò)的交通流預(yù)測模型及其相關(guān)研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 田珠;大規(guī)模路網(wǎng)實時交通流預(yù)測模型及應(yīng)用研究[D];大連理工大學(xué);2008年

2 李青;城市交通流預(yù)測關(guān)鍵技術(shù)研究[D];西南科技大學(xué);2015年

3 鄒中翔;基于組合預(yù)測模型的交通流預(yù)測研究[D];蘭州交通大學(xué);2015年

4 吳庚;神經(jīng)網(wǎng)絡(luò)應(yīng)用于高速公路交通流預(yù)測的研究[D];大連海事大學(xué);2015年

5 劉巖;智能交通系統(tǒng)中站點規(guī)劃和交通流預(yù)測的關(guān)鍵技術(shù)研究[D];南京大學(xué);2016年

6 馮騰;基于EMD和GS-SVM融合的節(jié)假日高速公路交通流預(yù)測研究[D];長安大學(xué);2016年

7 王渭巍;公路交通流預(yù)測中“機理＋辨識”策略的若干基本問題[D];天津大學(xué);2007年

8 蔡巖;基于灰色預(yù)測模型的短期交通流預(yù)測研究[D];西南交通大學(xué);2009年

9 方宇;小波支持向量機在交通流預(yù)測中的應(yīng)用研究[D];大連理工大學(xué);2010年

10 徐玉霞;大規(guī)模路網(wǎng)動態(tài)交通流預(yù)測模型和算法研究[D];大連理工大學(xué);2006年

，

本文編號：2416097