第31卷第4期2006年8月
昆明理工大学学报(理工版)
Journal of Kun m ing University of Science and Technol ogy (Science and Technol ogy )Vol .31 No 14
Aug .2006
收稿日期:2005-05-09.基金项目:云南省教育厅自然科学基金项目资助(项目编号:02ZY011);云南大学理(工)科
校级科研项目资助(项目编号:2002Q019S L );云南省自然科学基金项目资助(项目编号:2003E0086M ).
第一作者简介:张朝元(1978-),男,硕士,助教.主要研究方向:神经网络和统计学习理论的应用.E -ma il:zcy_k m @
https://www.doczj.com/doc/137276983.html,
三种交通流量预测模型的建立及其比较
张朝元1
,胡光华2
,徐天泽
3
(1.大理学院理学院,云南大理671003;2.云南大学数学系,云南昆明650091;
3.云南警官学院,云南昆明650223)
摘要:针对城市交通“智能运输系统”和交通流的特性,采用先进的支持向量机算法和由它改进
的BP 神经网络方法来建立交通流量预测模型,并将它们及多元线性回归模型分别用于实际流量模拟.实验验证了由支持向量机算法和改进的BP 神经网络建立的预测模型具有更高的预测效果和模拟精度.
关键词:城市交通;交通流量;多元线性回归;支持向量机;BP 神经网络;预测模型
中图分类号:TP183;U491文献标识码:A 文章编号:1007-855X (2006)04-0104-04
Est ablish m en t and Com par ison of Three M odels
of Traff i c Flow Pred i cti on
ZHAN G Chao 2yuan 1
,HU Guang 2hua 2
,X U Ti an 2ze
3
(1.Faculty of Science,Dali University,Dali,Yunnan 671003,China;2.Depart m ent ofMathe matics,Yunnan University,
Kun ming 650091,China;3.Yunnan Police Officer’s Acade my,Kun ming 650223,China )
Abstract:According t o the city I ntelligent trans portati on syste m and the characteristics of traffic fl ow,support vect or and Back Pr opagati on neural net w ork modified by support vect or machines and multi p le linear regressi on are app lied t o establish the model of traffic volu me p redicti on res pectively .Experi m ents show better effect and higher p recisi on of forecast by support vect or machines and modified back p r opagati on neural net w ork .Key words:urban traffic;traffic fl ow;multi p le linear regressi on;support vect or machines;back p r opagati on
neural net w ork;f orecast model
0引言
作为城市智能交通系统(I ntelligent Trans portati on Syste m s )的重要研究方面,交通流诱导系统是目前公认的提高交通效率和机动性的最佳途径,同时交通流诱导系统的实现也将有效地减少交通拥挤和城市环境污染、提高道路通行能力和改善交通安全状况等.而实现城市交通流诱导系统的关键和前提是道路交通状况的预测,也就是如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况.因此,实时准确的交通信息预测便成为此领域中研究的热点.实时动态交通分配是智能运输系统的主要理论基础,而实时地对交通流量进行预测是进行动态交通分配的前提.对交通流量预测效果的好坏直接关系到交通分配的结果,因此,研究实时动态交通分配首先应研究如何准确地实时预测和模拟交通流量.
由于交通流量运行的高度复杂性、随机性和不确定性,传统的预测技术方法已经不能满足实践中越来越高的精度要求,经典的数学方法一直未能取得令人满意的预测效果,而且预测精度不高,加上不具备自
适应和自学习的能力,因而不能满足实际需要.文章采用常用的多元线性回归[1,2]
最新的支持向量机方法[3]和改进的BP 神经网络[4]
等方法分别来对交通流量进行预测和模拟,并对此三种方法进行了比较和
分析.选择它们的原因是基于交通流量预测问题与函数估计和回归问题是等价的这一事实[5],因此,可以把交通流量预测模拟问题看作函数估计和回归问题来处理.
1多元线性回归的数学模型
设自变量x
1
,x2,…,x m与因变量y之间,有下列关系:
y=β0+β1x1+…+β1x m+ε(1)
其中,β
,β1,…,βm是常数,ε～N(0,σ2)是表示误差的随机变量,σ>0.
对x
1
,x2,…x m,y进行n次观测,得到一组观测值:(x i1,x i2,…,x i m,y i)(i=1,2,…,n).即有: y i=β0+β1x i1+…+βm x i m+εi, ε～N(0,σ2),(i=1,2,…,n)(2)
其中ε
1
,ε2,…,εn相互独立.这就是多元线性回归(简写为MLR)的数学模型.
令
Y=y1
y2
…
y n
n×1
, X=
1x11 (x1)
m
1x21 (x2)
m
…………
1x
n1
…x
nm
n×(m+1)
, β=
β
β
1
…
β
m
(m+1)×1
,ε=
ε
1
ε
2
…
ε
n
n×1
则用矩阵表示的多元线性回归模型为:Y=Xβ+ε.
式中,Y为观测值,β为参数向量,X为常数矩阵,ε为随机误差向量.
因此,我们的目的是要估计总体参数β=(β
,β1,…,βm)T,记β的估计量为B=(b0,b1,…,b m)T,因
此,Y的估计量为:Y^=XB.要求估计量Y^与原观测向量Y的差异最小.
记e=Y-Y^,采用最小二乘的计算方法,因此,要使得‖e‖2=(Y-Y^)T(Y-Y^)?m in.对‖e‖2求
偏导得到:B
LS
=(x T x)-1x T Y.故Y的最小二乘估计量为:Y^=X(x T x)-1x T Y.
2支持向量机的函数估计模型
函数估计问题,即存在未知函数y=f(x),x∈R n,y∈R要求函数f^∶R n?R,使得f和f^之间的距离: R(f,f ^)=∫L(f,f ^)d x最小,其中L(?)是惩罚函数.由于函数f未知,因而只能根据采样所得的样本(x1, y1),(x2,y2),…,(x l,y l),x i∈R n,y i∈R来求取f^.
若f^为线性模型,即f^(x)=〈ω,x〉+b(〈?,?〉表示内积).根据结构风险最小化准则,f^应使得:J=
1 2‖ω‖2+C6l
i=1
L(f ^(x i),y i)最小,其中C是平衡因子,‖?‖表示向量模.
惩罚函数L(?)选用ε-不灵敏区函数[3],因而用于函数估计的支持向量机可以表示为:
m in
1
2
‖ω‖2+C6l
i=1
(ξi+ξi3) s.t.
y i-〈ω,x i〉-b≤ε+ξi
〈ω,x
i
〉+b-y
i
≤ε+ξ3
i
ξ
i
,ξ3i≥0
在样本数较少时,求解上面的支持向量机一般采用对偶理论,把它转化为二次规划问题.
建立Lagrange方程:
l(ω,ξ,ξ3)=
1
2
‖ω‖2+C6l
i=1
(ξi+ξ3i)-6
l
i=1
α
i
(ε+ξi+y i-〈ω,x i〉-b)-6
l
i=1
α3
i
(ε+ξ3i+y i-〈ω, x i〉-b)-6
l
i=1
(ηiξi+η3iξ3i)(3)
上式(3)对于参数ω,b,ξ
i
和ξ
i
3的偏导都应等于零,得到其对偶优化问题:
m in
1
2
6l
i,j=1
(αi-α3i)(αj-α3j)〈x i,x j〉+6
l
i=1
α
i
(ε-y i)+6
l
i=1
α3
i
(ε+y i)
501
第4期 张朝元,胡光华,徐天泽:三种交通流量预测模型的建立及其比较
s .t .
6l
t =1
(αi -α3
i )=0,αi ,α3
i ∈[0,C ].
(4)
求解上面的二次规划问题,可得:ω=6l i =1
(αi -α3
i )x i .
根据KKT 条件,在最优解处,有αi (ε+ξi -y i +
〈ω,x i 〉+b )=0α3i (ε+ε3i +y i -〈ω,x i 〉-b )=0(C -αi )ξi =0
(C -α3i )ξ3i
=0与αi ≠0和α3
i ≠0相对应的样本x i ,即在不灵敏区边界上或外面的样本,称为支持向量(简写为
S VM ).从而有ω=
6l
i =1
(αi -α3
i )x i =
6i ∈SV s
(αi -α3
i )x i ,其中SV s 表示支持向量集.
这样我们就得到逼近函数的表达式:f (x )=6i ∈SV s
(αi -α3
i )〈x i ,x 〉+b .
若f ^为非线性模型,则f ^(x )=〈
ω,φ(x )〉+b .这样目标函数式就变为126l i,j =1
(αi -α3i )(αj -α3
j )〈φ(x i ),φ(x j )〉+6l i =1αi (ε-y i )+6l
i =1α3i (ε+y i )(5)
约束条件仍为(3)式.从而得到ω=6l
i =1(αi -α3
i )φ(x i ).
在支持向量机中,引入核函数简化非线性估计,令核函数为k (x,x ′)=〈φ(x ),φ(x ′)〉.
这样(4)式变为:126l i,j =1
(a i -a 3i )(a j -a 3j )k (x i ,x j )+6l i =1αi (ε-y i )+6l
i =1α3
i (ε+y i ).这样估计函数的表达式变为:f (x )=6l
i =1(αi -α3
i )k (x i ,x )+b .
3改进的B P 神经网络的估计模型
B P 神经网络
[6]
是一种多层感知机网络,它的学习算法采用误差反向传播.它的模型是将一组样本的
I/O 问题转变为一个非线性优化问题,它使用了优化中最普通的梯度下降法,用迭代运算求解相应于学习记忆的问题.通过加入隐层节点,使得优化问题的可调参数增加,从而可得到更精确的解.如果将B P 神经网络看成从输入到输出的映射,则这个映射是高度非线性的,它通过对简单的非线性函数进行有序而复杂的组合来实现最终的复杂函数输出.并且具有这样的性质:任一连续函数或映射均可用一个三层网络加以实现.B P 网络虽然具有重要的函数映射功能,且系统结构简单易于编程实现.但是它也存在着以下问题:①从数学上看,它是一个非线性优化问题,因此不可避免地存在局部极小值问题.②它的学习收敛速度很慢,通常需要几千步迭代或更多.对于B P 神经网络这些缺点,国内外进行了不少的改进,主要有M FB P 算法、MB P 算法和前向网络的自构形学习算法等.针对B P 网络这两个缺点,作者在论文[4]采用最新的支持向量机算法对B P 网络进行了改进.利用支持向量机对网络的隐层到输出层进行了改进得到了改进的B P 神经网络(简写为S VM -NN ),并在预测中取得了理想的效果.在这里就不介绍了,请参考文献[4].
统计学习理论是由Vapnik 等人提出的一种小样本统计理论,它有着完备的理论基础和严格的理论体系,其中支持向量机是统计学习理论的核心和重点.支持向量机是结构化风险最小化原理的近似实现,它能够提高学习机的泛化能力,既能够由有限的训练集样本得到小的误差,又能够保证对独立的测试集仍保
持小的误差.而且支持向量机算法是一个凸优化问题,因此局部最优解一定是全局最优解[3]
.这样,由Vap ik 等人提出的新的神经网络———支持向量机就克服了传统神经网络收敛速度慢和局部极小点等缺陷.
4预测实例
所谓预测就是利用过去和当前的观测值去估计未来值,这实际上是基于这样一个假设,即未来值与过去值存在某种确定的函数关系.所以预测的目的就是试图寻找一个函数以确定未来值与过去值之间的关系,也就是说预测问题与函数逼近和估计问题在本质上是等价的.
路段上的交通流量与前几个时段的交通流量有着必然的联系,同时路段是路网中的一个部分,路段的
6
01昆明理工大学学报(理工版) 第31卷
交通状况必然受到上下游路段的交通状况的影响,所以路段上的交通流量势必与相连路段前几个时段的交通流量有着内在的联系.这样就可以利用路段前几个时段的交通流量数据列去预测未来时段的交通流量,也可以利用上下游路段前几个时段的交通流量预测路段未来时段的交通流量.
设V i (τ)为路段i 上的τ时刻的交通流量向量,V i (τ-1)为路段i 上的τ时刻前一时段的交通流量向
量.令V
^I (τ)=[V 1(τ),V 2(τ),…,V d (τ)],d 为所考虑路段的总数,若只考虑研究路段的交通流量,则d =1.考虑到路段的长度和交通流的特性,我们采用当前时间段和前s 个时间段的交通流量对未来时间段的交通流量进行预测(通常我们只考虑3个时间段的交通流量的影响,也即s =2).这样,我们将V
^i (τ),V ^i (τ-1),…,V
^i (τ-s )作为第τ个输入样本,V ^i (τ+1)作为第τ个样本输出值.故我们的目的是要在V ^i (τ+1)与路段i 上前s +1个时间段的交通流量(即V
^i (τ),V ^i (τ-1),…,V ^i (τ-s ))之间寻找一个函数关系或者它的一个逼近.
令x (τ)=[V
^i (τ),V ^i (τ-1),…,V ^i (τ-s )]T ,y (τ)=V ^i (τ+1),则交通流量预测模型为:y (τ)=〈w,φ(x (τ))〉+b,其中w,b 则是我们要寻求的模型参数.
表1 预测所得各项误差指标Tab .1 Errors of foreca st result 误差指标平均相对
误差/%平均绝对相对误差/%最大绝对相对误差/%相对误差平方和均值平方根/%均等系数
MLR 01527135231538194019234
S VM -01944171251167141019596
S VM -NN 11266109221588160019562
昆明市一二一大街是昆明
市的主要交通要道,对它的研究
和预测具有重要的现实意义.经过对一二一大街(建设路交叉路
口至圆通北路交叉路口)由西向
东方向机动车(除摩托车外)交
通流量的人工统计,我们得到了一系列实际观测数据.下面我们通过上面介绍的三种方法分别
对一二一大街的交通流量进行预测和模拟.预测结果如表1和图1所示.5结论
目前,现有的交通流量预测方法基本上都是基于传统的统计学原理(如多元线性回归),其研究的是样本数目趋于无穷大的渐进理论,但是当样本数目有限时就难以取得理想的效果,因此,很难适应复杂多变的交通状况.而基于统计学习理论的支持向量机是
建立在小样本基础之上的.这一点,从上面的表1和图1以及算法的实现运行情况就可以体现出新的支持向量机算法和改进的BP 神经网络更具有优越性.神经网络是目前比较广泛应用模拟的一种方法,但它具有收敛速度慢和局部极小点等缺陷,而新的方法———支持向量机就能解决神经网络这些不足之处.因此,改进的神经网络也具有较高的预测效果.基于统计学习理论的支持向量机,试图找到一种新的模型来解决交通流量的预测模拟问题,有望在交通流量时间序列预测模拟方面得到广泛的应用.参考文献:
[1]王惠文.偏最小二乘回归方法及其应用[M ].北京:国防工业出版社,1999:42-45.[2]刘剑平,陆元鸿.概率论与数理统计方法[M ].上海:华东理工大学出版社,1999:166-172.[3]Vapnik V N.统计学习理论的本质[M ].张学工,译.北京:清华大学出版社,2000:126-130.
[4]张朝元,胡光华,徐天泽,等.支持向量机改进的神经网络的函数逼近[J ].昆明理工大学学报(理工版),2004,29(6):148-152.[5]丁爱玲.基于统计学习理论的交通流量时间序列预测[J ].交通与计算机,2002;20(2):27-30.[6]阎平凡,张长水.人工神经网络与模拟进化计算[M ].北京:清华大学出版社,2000:17-20.
7
01第4期 张朝元,胡光华,徐天泽:三种交通流量预测模型的建立及其比较
%% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n);
d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end
国内物流需求预测方法文献综述 (河北工程大学管理科学与工程阮俊虎） 物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、半成品和成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求，涉及运输、库存、包装、装卸搬运、流通加工以及与之相关的信息需求等物流活动的诸方面[1]。物流需求的度量可以采用价值量和实物量两种度量体系。实物量意义上的物流需求主要表现为不同环节和功能的具体作业量，如货运量、库存量、加工量、配送量等；价值量意义上的物流需求是所有物流环节全部服务价值构成的综合反映，如物流成本、物流收入、供应链增值等[2]。 物流需求预测是根据物流市场过去和现在的需求状况，以及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。国内外许多专家和学者都对物流需求的预测进行了研究，提出不同的预测方法和手段。物流预测方法可以分为定性预测方法（如德尔菲法和业务人员评估法等）和定量预测方法，但多数是定量预测方法，因此，本文主要是对国内物流需求定量预测方法进行综述，归为时间序列预测方法、因果关系预测方法、组合预测方法等三类。 1．时间序列预测方法综述 时间序列预测方法是依据从历史数据组成的时间序列中找出预测对象的发展变化规律，以此作为预测依据。常用的时间序列预测模型有增长率法、移动平均法、指数平滑法、随机时间序列模型、灰色模型、以及在经济领域已经被广泛应用的混沌与分形等。 增长率法指根据预测对象在过去的统计期内的平均增长率，类推未来某期预测值的一种简便算法。该预测方法一般用于增长率变化不大，或预计过去的增长趋势在预测期内仍将继续的场合。刘劲等[3]（2002）在利用增长率系数法对百色地区港口货运量进行了逐一分析。 移动平均法是用一组最近的实际数据值来预测未来一期或几期内产品的需求量的一种常用方法。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。根据预测时使用的各元素的权重不同，移动平均法可以分为：简单移动平均和加权移动平均。杨荣英等[4]（2001）在讨论移动平均值的基础上，提出了移动平均线方法，并介绍了运用移动平均线进行物流预测的方法。李海建等[5]（2003）利用二次移动平均线模型对芜湖市物流业发展的规模进行了预测。 指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。韦司滢等[6]（1999）将指数平滑法等其他多种方法应用在三峡移民工程建材配送决策支持系统中。黄荣富等[7]（2003）、
交通量优化配置 摘要 城市交通拥挤现象是城市交通规划最为明显的失策现象之一。从某种程度上说，城市交通拥挤现象是汽车社会的产物，特别是在人们上下班的高峰期．交通拥挤现象尤为明显。“据统计，上海市由于交通拥挤，各种机动车辆时速普遍下降，50年代初为25km 现在却降为15kin左右。一些交通繁忙路段，高峰时车辆的平均时速只有3—4km。交通阻塞导致时间和能源的严重浪费，影响城市经济的效率。”城市交通拥挤现象是现代我国大中城市存在的普遍问题．由于公交车、小汽车流量较多，加上餐饮业商贸功能聚集，使本来就不宽的道路变得拥挤不堪，给进行物资运输，急救抢险，紧急疏散等状况带来不便。其中，城市各路段交通流量的合理分配可以有效缓解道路发生拥挤。接下来，我们将模拟一个交通网络，用节点流量方程、环路定理、网络图论模型去合理分配该交通网络的交通流量已达到交通量优化配置。 关键字：交通流量、节点、环路、网络图论
一、问题重述 我们模拟某区域道路网络如图1所示，每条道路等级（车道数）完全相同，某时间段内，有N辆车要从节点1出发，目的地是节点0（假设该时间段内，路网中没有其它车辆）。在该时间段内，道路截面经过的车辆数越多，车辆在该路段行驶的速度就越慢。 我们在此要解决的问题是确定有效的行驶路径及其算法，合理分配每条道路的交通流量，使N辆车从节点1到节点0的总行驶时间最小。
二、模型假设 1）各路段单向通车 2）道路截面经过的车辆数与车辆在该路段行驶的速度成反比例函数关系 3）车流密度均匀不变 4）假设N辆车在极短时间内全部开出（即把车当做质点）5）各环路两条支路对时间负载均衡 三、变量说明 I i m节点到n节点支路的车流数量 t i车辆从m节点到n节点经过所花费的时间 Q 流量 v车速 L纵向路长 2L 横向路长 K反比例系数 ρ*t 车流密度随时间的函数
中国证券市场股票价格预测模型综述 王 浩 (洛阳理工学院工程管理系,洛阳 471023)* 摘 要:中国金融市场的证券价格存在着可预测成分。现有的各种统计预测方法基本都可以归纳为时间关系模型和因果关系模型两大类,详细分析了各种模型的实现方法并总结了其特点。 关键词:预测;股票价格;统计模型;综述do:i 10.3969/j .issn .1000-5757.2009.07.058 中图分类号:F830191 文献标志码:A 文章编号:1000-5757(2009)07-0058-03 一、证券市场可预测性 有效市场理论指出,证券价格呈现随机游走特征,因此技术分析和掷骰子选出的股票,最终表现相差无几。大量分析却发现中国股票价格波动具有长期记忆性,拒绝了随机游走假设,即股市涨跌存在自身的规律,无论长期和短期都存在着可预测的成分,因而技术分析是有用的,通过采用 相应策略,投资者可以获得超常利润。[1] 中国证券市场呈 现弱有效性的原因可能在于,作为一个新兴市场,法制、监管等因素造成市场信息传递效率低下,投资者在博弈中存在严重的信息和资金实力不对称,而且这种不对称状态并不能在市场中迅速消除,因此F a m a 所描述的概率上的/瞬时性0还无法达到,而这种市场结构的特点,使得某些/技术分析0成为信息挖掘的成本。 由于股票指数序列呈现高度的非线性,经典计量经济模型和时间序列模型的有效性受到了挑战。现代预测理论和统计学、信息技术、优化算法紧密结合,向复杂化和智能化方向发展。至少目前在我国,各种预测技术方兴未艾,投资者按照自己的经验采用各不相同的指标作为决策依据,在市场上低买高卖,获得了成功,也经历过失败。 二、主要预测模型1.神经网络模型 神经网络是一种大规模并行处理系统,具有良好的自学习能力、抗干扰能力和强大的非线性映射能力,能够从大量历史数据中进行聚类和学习,自动提取样本隐含的特征和规则,进而找到某些行为变化规律,可以实现任何复杂的因果关系。BP (反向传播)和RBF (径向基函数)神经网络是最常见的股市预测模型。崔建福等发现BP 模型普遍显著优于 GARCH (广义自回归条件异方差)模型,从而认为对股票价格这样波动频繁的时间序列,从非线性系统角度建模略胜于 从非平稳时间序列角度建模。[2] 由于传统算法收敛速度慢且 全局寻优能力差,更多研究将精力放在对神经网络结构和参数的改进上。丁雪梅等发现改进后BP 算法的预测结果比 回归预测、指数平滑预测和灰色预测都要好。 [3]神经网络预测方法的应用有两个明显特点。一方面,统计模式识别和数字信号处理等领域的特征选择和提取方法,如小波包最优分解方法、混沌吸引子理论、K a l m an 滤波算法、主成分分析、灰色系统理论,广泛用于神经网络输入参数的甄别。另一方面,新的网络模型不断被应用于证券预测实践以提高映射效率,如模糊神经网络和小波神经网络。预测结果明显优于普通神经网络模型。 神经网络的缺陷在于,网络结构只能事先指定或应用启发式算法在训练过程中寻找,需要在充分了解待解决问题的基础上,主要依靠个人经验来确定,没有统一的规范,往往需要通过反复改进和试验,最终才能选出一个相对较好的设计方案,并且网络训练过程易陷入局部极小点。不过,神经网络最致命缺点在于,无法表达和分析预测系统的输入输出之间的关系,难以解释系统输出结果。 2.灰色系统和随机过程模型 灰色预测普遍采用灰色系统模型,经由累加过程削弱原始数据的随机干扰,突出系统所蕴涵的内在规律,然后建立动态预测模型。马尔可夫过程是无后效性的随机过程,是一种应用极为广泛的传统方法。灰色系统GM (1,1)模型的解为指数型曲线,几何图形较为平滑,比较适用于具有增长趋势的问题,而对随机性波动较大的数据进行预测,会 58 第25卷 第7期V o.l 25 四川教育学院学报 J OURNAL OF S I CHUAN C O LLEG E OF EDU CAT I ON 2009年7月 Ju.l 2009 * 收稿日期:2009-02-23 作者简介:王浩(1973)),男,河南西峡人,副教授,硕士,研究方向:区域经济发展理论与数量分析。
交通流量的神经网络预测研究 [摘要]交通流量预测问题是交通信息预测的核心问题，进行交通流量预测理论体系的研究，对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析和介绍，并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据，我们采用了分区间段进行数据整理，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。 [关键词]交通信息交通流预测 BP神经网络
Research on neural network prediction of traffic flow [Abstract] Traffic flow forecasting is the core problem of traffic information prediction,theory system in the prediction of traffic flow,is very important for improving our countrytraffic congestion has academic value and practical significance.Th is paper based on summarizing the domestic and foreign research results,analyzes and introduces the existing traffic flow forecasting methods, andanalysis to predict the traffic flow by neural network. based on centralized distribution of traffic flow and combined with the actual traffic flow data. We use the inter partition of data processing during the process of BP neural network can be used to traffic flow prediction by comparing the predicted results ,proves that BP neural network has the good forecast effect. [Keywords] Traffic Information Traffic flow Prediction BP neural network
交通流量数学模型 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT
交通量优化配置 摘要 城市交通拥挤现象是城市交通规划最为明显的失策现象之一。从某种程度上说，城市交通拥挤现象是汽车社会的产物，特别是在人们上下班的高峰期．交通拥挤现象尤为明显。“据统计，上海市由于交通拥挤，各种机动车辆时速普遍下降，50年代初为25km现在却降为15kin左右。一些交通繁忙路段，高峰时车辆的平均时速只有3—4km。交通阻塞导致时间和能源的严重浪费，影响城市经济的效率。”城市交通拥挤现象是现代我国大中城市存在的普遍问题．由于公交车、小汽车流量较多，加上餐饮业商贸功能聚集，使本来就不宽的道路变得拥挤不堪，给进行物资运输，急救抢险，紧急疏散等状况带来不便。其中，城市各路段交通流量的合理分配可以有效缓解道路发生拥挤。接下来，我们将模拟一个交通网络，用节点流量方程、环路定理、网络图论模型去合理分配该交通网络的交通流量已达到交通量优化配置。 关键字：交通流量、节点、环路、网络图论
一、问题重述 我们模拟某区域道路网络如图1所示，每条道路等级（车道数）完全相同，某时间段内，有N辆车要从节点1出发，目的地是节点0（假设该时间段内，路网中没有其它车辆）。在该时间段内，道路截面经过的车辆数越多，车辆在该路段行驶的速度就越慢。 我们在此要解决的问题是确定有效的行驶路径及其算法，合理分配每条道路的交通流量，使N辆车从节点1到节点0的总行驶时间最小。 二、模型假设 1）各路段单向通车 2）道路截面经过的车辆数与车辆在该路段行驶的速度成反比例函数关系 3）车流密度均匀不变 4）假设N辆车在极短时间内全部开出（即把车当做质点）5）各环路两条支路对时间负载均衡
交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。
几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，
摘要了解和预测铁路客流量对于铁路部门而言是实现利润最大化和保证市场竞争力的重要环节，本文通过对某铁路公司至2015年一月至2016年3月的客流情况进行研究分析，得出了铁路客流量的一般规律并构建了良好的客流量预测模型，借此实现对未来两周客流量的预测以及对车辆资源分配方案的优化. 问题一：根据旅客列车梯形密度表中包含的大量数据，利用图表分析法我们绘制了十二张包含饼图、折线图、散点图等多种形式的图表，这在一定程度上帮助我们很好地实现了客流规律的可视化展现.通过这些图表我们分析研究了不同种客运列车的优劣势、客运量的峰值规律以及站点与客运量的相关性，总结出了客流量的一般规律. 问题二：我们针对附件一所提供的大量数据进行了分类整理，将数据按照控制变量法的原则大致分为三类，即考察车站、车次、时间段三个变量对于客流量的影响.在对原始数据进行研究分析后，我们认为车站对于客流量的影响最为显著，于是我们将车站这个因素选定为了主要变量，然后从这个主要变量着手，我们基于MATLAB平台构建程序，程序的核心思想是通过对系统行为特征指标建立一组相互关联的灰色预测模型，预测系统中众多变量间的相互协调关系的变化，这种模型能够帮助我们很好地挖掘和利用原始数据，同时我们参考了在问题一中所得出的客流量的一般规律，最终采用累减生成的放松得到了一组灰色序列以弱化数据的随机性和预测未来客流量.当然，我们也采用了残差修正的衡量方法来对模型和预测结果进行了完善和校准. 问题三：为了求得铁路车辆资源配置方案的最优解，一方面考虑到问题二中对于未来两周客流量的预测，另一方面为了实现两个基本假设中对于客座率达到75%利润最大的假设，我们决定采用模拟退火算法来对结果进行优化，这可以帮助我们在减少算法耗时的同时得到一个符合生活实际的最优解. 一、问题重述 铁路部门为保持市场竞争力，实现利润最大化，需要了解日常铁路客运流量、淡旺季变动指数、冷热门线路.其中，为了准确把握市场，需要对客流进行充分的了解和预测.铁路客流量受多种因素影响.
2017年第8期信息通信2017 (总第176 期）INFORMATION & COMMUNICATIONS (Sum. N o 176) 网络流量预测模型研究 陈广居\梁鹏2,王坤3 (1.94750部队福建连城366200;2.94937部队浙江杭州310021 ;3.94872部队江西樟树331204) 摘要:针对当前网络通信业务量大，业务种类多的特点，对近年来网络流量预测模型研究现状进行了综述，分析了多种网 络流量预测模型，针对网络流量的不同特点对各种模型从计算复杂度、应用场合及适用范围等方面展开比较分析。比较 结果表明，预测模型与所分析流量特性及应用场合关系密切，在具体应用中应充分考虑预测目标和具体的网络流量特 点，选择合适的预测模型。 关键词:短相关；长相关;线性预测；非线性预测；组合预测 中图分类号:T H393文献标识码:A文章编号:1673-1131(2017)08-0191-04 The R eserch o f N etw ork Traffic Prediction M odel C h e n G u a n g ju1, L ia n g P e n g2, W a n g K u n3 (1. U n it 94750 o f P L A, L ia n che n g F u jia n 366200, C h in a; 2. U n it 94937 o f P L A, H a n g zh o u Z he jia n g 310021, C hin a; 3. U n it 94872 o f P L A, Zhangshu Jia n gxi 331204, C h in a) A b s tra c t:F o r the characteristics o f the current ne tw o rk com m unication traffic, this paper presents an o ve rvie w on the study o f m odels for ne tw o rk traffic prediction in recent years, analyzes different kinds o f ne tw o rk traffic prediction m odels. In v ie w o f the different characteristics o f ne tw o rk traffic, the m odels are analyzed and com pared fro m the aspects o f com putational co m-plexity, application and scope o f application. T h e results p ro ve that prediction m o d e l should correlate to traffic characteristics and scene tightly. It needs to select the appropriate prediction m odels according to the target and the specific characteristics o f ne tw o rk traffic. k e y w o rd s: lo n g range dependence; short range dependence; linear prediction; nonlinear p rediction; com bination Prediction 〇引言 网络流量是网络运行的重要指标，其反映了网络的运行 状态，近年来网络流量建模和预测成为人们的研究热点。针 对网络流量特性进行建模是网络设计规划和网络状态分析的 前提，也对网络管理与故障处置、新的网络协议的开发以及提 高网络运行服务质量具有重大意义；网络流量预测模型的研 究对于更好地理解网络业务的性能和规律、规划网络设计、决 定网络拥塞控制、应用于网络安全、网络管理的异常检测、提 高服务质量意义深远。网络流量预测以过去的流量数据为依据，通过建立适当的数学模型对将来的流量状态进行预测。因此，掌握网络流量的特点对提高预测的精度和深入分析预测 本质尤其重要。在当前的一些网络流量预测资料中，大部分 的研究重点是对网络流量特性的数学分析，单纯针对网络流 量进行预测的研究不多，与之对应，这一领域的研究在河流流 量、道路交通、金融分析等领域中有较多的应用。本文对近年 来网络流量预测算法研究现状进行了综述，分析了多种网络 流量预测模型，并结合不同的网络流量特性对各种模型的适 用范围及应用场合进行了分析比较,最后得出结论，虽然智能 通信机房监控系统采用S O A P传输协议，这个协议是新时期 W e b S e r v ic e服务和物联网体系中的一种存在的标准传输协 议，S O A P协议定义了一个完善的逻辑业务服务请求者和逻辑 业务服务提供者之间相关的信息传输规范，促使X M L数据传 输更加安全，S O A P协议采用了传统的互联网传输协议，使物 联网作为数据传输的标准模式进行传输，可以为用户提供一 个格式化的相关协议信息，并且能够承载相关的物联网传输 协议，这些协议主要包括以下几个关键方面,S O A P封套信息、S O A P编码规则、S O A P R P C进行逻辑业务处理表示等。S O A 能够更好的实现信息的加工和服务，首先用户可以获取相关 的信号数据，接着可以分析信号的类型，如果信号为抽取信号，就可以实现数据抽取功能;如果信号为引用数据失效信号，则 可以将其划分到响应弓丨用数据失效弓丨擎中；如果信号为数据 已变更信号，则可以将数据推送到数据库中;如果信号为即时 获取，可以启动即时获取数据操作引擎。操作完成之后，这些数据均可以持久化地保存到数据存储器中，保证数据的及时 处理，进一步实现数据的加工和服务。通信机房监控系统是 现代无线通信的一个重要标志，物联网采用自适应技术，可以保证通信质量达到最优化,根据信道的传输环境的变化，适时 地改变N B-I O T的发送、接收参数。 3结语 随着我国通信事业的发展，通信机房包含的设备越来越多， 这些设备承载着数以亿计的资源，保?2联网软件的正常运行。 因此提高机房的智能化管理已经成为人们研究的重点,本文提 出利用物联网的数据感知、信息采集和数据分析功能，构建一个 实时的、动态的智能化机房，提高机房的运行管控成效。 参考文献： [1]陈武.物联网信息技术在数据机房建设中的应用研究[J]. 信息系统工程,2016(12):70-72. [2]李铁.基于物联网的机房温度报警系统设计与实现[J].中 国新通信，2017(3):65-66. [3]胥志强，何国平，杨漾.物联网技术在气象部门智能机房 建设中的应用[J].网络安全技术与应用,2017⑵:130-131. [4]王有为.基于物联网思维的高速公路变电所机房监控系 统[J].中国交通信息化，2016(8):116-117. 191
基于有限理性的方式划分和交通分配组合模型出行者作为城市交通系统的主体,其出行行为影响整个网络的运行效果。传统的出行行为研究通常假定出行者是绝对理性的,其决策行为遵循效用理论,以 出行阻抗最小或者效用最大作为决策依据,很少考虑出行者的有限理性特点。 本文以出行者的出行行为为研究对象,结合问卷调查标定前景理论的参数体系,在有限理性的框架下讨论方式选择和路径选择行为,并建立方式划分和交通 分配组合模型,最后通过算例分析组合模型的特点、出行者参考点依赖效应以及模型参数的敏感性。本文首先明确了有限理性的概念,详细介绍了前景理论和TODIM方法的基本观点以及相关研究和应用。 随后对比了前景理论中不同函数形式的差异,分析了前景理论各个参数的内涵,将出行者或者出行情景按照风险水平高低划分为3类,并通过问卷调查得到 了前景理论在出行路径选择问题中的参数体系,同时验证了该参数体系的有效性。紧接着结合离散选择模型和TODIM方法提出了有限理性条件下的方式划分模型,结合离散选择模型和前景理论提出了有限理性条件下的随机交通分配模型,最终在有限理性的基础之上提出了改进的方式划分和交通分配组合模型。 最后,利用Nguyen & Dupuis网络作为算例,验证组合模型的有效性研究结果表明,组合模型能够体现总出行需求对私家车出行选择概率的影响,两者呈负相 关的关系；私家车的实际出行需求、出行者对不同路径的感知具有明显的参考点依赖效应,而出行者路径选择行为的参考点依赖效应不显著；私家车的实际出行需求随着参数θ的增大而减小,各条路径之间的差异随着参数κ的增大而增大, 参数θ可在(0,6)中取值,参数K可在(0,1)之间取值。
V 为网络节点集，即：道路交叉点；A 为路段集，即：道路 交通量—人的个数—OD 矩阵 ,a C a A ∈：路段a 的通行能力 ()a a t x ：路段a 的阻抗，a x 为流量，通常以时间记，假设仅与路段a 有关 系统最优是系统规划者所期望得到的一种平衡状态，其前提是所有网络用户必须互相协作，遵从网络管理者的统一调度，所以是计划指向型分配准则。 出行者的出行决策过程是相互独立的，路网上的交通流的状态是出行者独立选择的结果。出行者必然转向费用较小的路径.其结果，路网上的交通量分布最终必然趋于用户平衡状态。所以，用户平衡状态最接近实际的交通状态。 Wardrop 准则的提出标志着网络流平衡分配概念从描述转为严格刻画，不但假设司机都力图选择阻抗最小的路径，而且还假设司机随时掌握整个网络的状态，精确计算每条路径的阻抗，还假设了司机的计算能力与水平是相同的。 在这些假设条件下进行的配流被称为确定性配流，得到的用户平衡条件被称为确定性平衡条件，简称UE 条件。User Equilibrium System Optimal rs k rs a f q ∑=且0rs k f ≥（rs k f —O-D 对r-s 之间路径k 上的流量）rs q 等于连接rs 之间 各路径上的路段的交通量的总和。 ,rs rs a k a k r s k x f σ=∑∑∑（,rs a k σ—如果弧a 在连接O-D 对r-s 的路径k 上，其值为1，否则为0）路段a 上的流量等于通过a 的路径上分配到a 上的交通量的总和。 1. 目标函数本身并没有什么直观的经济含义或行为含义。 2. 没必要直接求解用户平衡条件方程组，平衡状态可以由求解等价都极小值问题得到。 3. 模型的解关于路段流量唯一，关于路径流不唯一 4. 等价性与唯一性证明略
短期交通流量预测 摘要 交通流量是一种对于一段时间在某个路口通过的交通实体量，在现在的社会中，智能运输系统等交通理论的研究已经渐渐成为发达国家的研究对象，而交通流量预测分析是其中的核心研究之一。所以，对于交通流量的预测成为叩开智能交通系统大门的最有力的那一把钥匙。 在前面，我们首先面临的一个问题是对于数据的处理。题目以15分钟为一个时间段来测量交通流量，一共有三天的数据，应该有288个数据，但是题目只给出了276个。另外，在数据中还有两个为负的数据。面对缺失数据和异常数据，我们分别使用了热卡插补法和平均值填补法来解决。 然后在进行预测时，我们分别使用了不同的软件来建立不同的预测模型。首先我们使用了灰色预测GM软件来进行灰色模型的预测，在预测前，我们先用模型和前两天的交通流量来预测第三天的交通流量，然后将第三天的真实交通流量与预测交通流量进行相关性检验，检验通过后，再用于预测第四天的交通流量，最后评价模型的好坏。 接着，我们使用了spss软件来进行回归分析模型的预测。在预测之前，我们需要先对数据进行相关性检验，若没有相关性，则回归方程会没有意义。接下来，通过对回归方法的决定性系数检验和方差分析检验，得到最合适方法。之后再进行第四天的预测及预测结果的评价。 然后，我们使用了metlab软件来实现BP神经网络模型的预测。BP神经网
络的实质是用已给出的数据来推出需要的数据，并将新预测出的数据重新返回输入中，得到误差，一直重复，直到误差到达合理的围。在预测之前，我们先得出了误差在合理围，并且看到已给出数据的真实值与预测值得对比。在确保模型是可用的之后，在进行预测与预测结果的评价。 最后，我们使用了eview软件来进行时间序列的预测。时间序列预测要求数据必须是平稳的，所以在预测前，先要对数据进行ADF检验，在检验通过后，才能进行预测，得到预测后的表达式和残差。在最后，还必须对残差进行分析估计。这样之后，对模型进行评价。 在本文的最后，我们进行了进一步的讨论和改进，对四种预测方法进行了一个比较，判断出那个模型是最适合这个题目的。并且对文章中所涉及的模型进行推广，使其更便于运用于生活实际中。 关键词：eviews 热卡插补法相关性检验神经网络时间序列ADF检验
基于四阶段法的城市轨道交通客流预测模型研究开题报告
————————————————————————————————作者：————————————————————————————————日期： 2
毕业设计（论文）开题报告 姓名学号专业 设计（论文）题目基于四阶段法的城市轨道交通客流预测模型研究 1. 毕业设计(论文)的目的及意义（含国内外的研究现状分析）： 1.1研究的目的及意义 1.1.1研究目的 随着我国经济快速发展，城市化进程日趋加快，城市人口规模和机动车数量急剧增加，直接导致交通出行量大幅增加，由此引发一系列的交通问题，其中交通拥堵问题最为突出。解决该问题的方法除了控制车辆增长速度以外，大力发展城市轨道交通是一个重要解决手段。 城市轨道交通对城市的发展模式和布局有着重要影响，而城市轨道交通客流量预测是轨道交通建设的基础和前提，在轨道交通建设项目可行性研究和交通状况评价过程中都需要进行交通情况调查和交通量预测。因此城市轨道交通客流量的预测直接关系到城市轨道交通项目建设的科学性和合理性，具有重要的现实意义和理论价值。 1.1.2研究意义 城市轨道交通客流预测是城市轨道交通项目建设的一项重要的基础工作,是确定城市轨道交通建设规模和站点布局的重要依据,是城市轨道交通网络合理规划和初步运营的前提条件。目前，传统的四阶段客流预测方法被广泛地应用于交通客流量预测，虽然这些实践工作为四阶段法进行轨道交通客流预测提供了借鉴以及理论实践案例,但是由于轨道交通自身的特点,运用四阶段法预测交通客流时,考虑的因素和预测程序都较为复杂，因此在研究和实践过程中,传统四阶段法还存在不足之处,为了使四阶段法的交通客流预测结果更能符合城市轨道交通的特点,使其更加实用和完善,对其进行改进具有重大的现实意义和理论价值。通过本课题的研究，有助于发现传统四阶段法所存在的缺点，并对其进行改进，为轨道交通量预测提供新的方法和理论依据，更加合理地规划轨道交通网络和城市空间布局。 1.2国内外研究现状 1.2.1国外研究现状 针对交通量预测，HRB和BRP最先运用转移曲线法实现了交通量分配预测，Moore和Schneider等人在前者的基础上，建立全有全无模型进行交通量分配预测，但是预测结果容
曹安公路远期交通流量预测——以华江支路——嘉金高速段为基础 学院：交通运输工程学院 学号： 姓名：
目录 一、报告概述 (3) 工作目标 (3) 工作内容 (3) 技术路线 (3) 二、调查道路和交叉口概述 (4) 三、调查数据处理与现状分析 (4) 3.1调查数据汇总及标准车换算 (4) 3.2路段流量推算 (5) 3.3 AADT计算 (6) 3.4现状分析 (7) 四、远期流量预测 (8) 4.1基于弹性系数的远期交通量预测 (10) 4.2基于线性回归的远期交通量预测 (11) 4.3基于人工神经网络为融合基础的远期交通量组合预测 (12) 五、预测结果分析 (14)
一、报告概述： 工作目标 根据曹安公路华江支路——嘉金高速段历年交通流量数据，综合现场调查结果，预测该段2020—2025年年平均日交通量，并对未来曹安公路道路建设工程提出合理意见。 工作内容 现场数据采集：收集曹安公路华江支路——嘉金高速段两交叉口早晨8：00—9：00车流量； 数据处理与分析：（1）现状与历年流量的差异及差异出现的原因（2）变化趋势与历年趋势的对比，说明影响预测结果的主要影响因素及产生原因（3）预测结果分析 技术路线
二、调查道路和交叉口概述 本次调查区段为曹安公路华江支路—嘉金高速段，共有两个交叉口，分别是翔江公路交叉口和翔封路交叉口。两交叉口相对位置如下图所示： 三、调查数据处理与现状分析 3.1调查数据汇总及标准车换算 将实测的分车型交通量转换为标准车流量。换算系数如下： 各交叉口流量调查及标准车换算
3.2路段流量推算 以采集数据的两个交叉口：翔江公路及翔封路，把华江支路——嘉金高速区段划分成三个路段：华江支路—翔封路，翔封路—翔江公路和翔江公路—嘉金高速。采样时间段内（8：00—9：00）各路段统计交通量如下：
交通流预测模型综述 摘要： 随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。为了缓解交通压力，交通专家也提出了各种不同的方法。在交通网络越来越复杂的今天，交通流预测在智能交通系统中是个热门的研究领域，因为正确的交通流预测，可以进行实时交通信号控制，交通分配、路径诱导、自动导航，事故检测等。本文从交通流短期预测模型出发，分析常见预测模型的优缺点，得出综合模型进行预测将是交通流预测领域的发展趋势。 关键字：交通流预测，智能交通系统，综合模型 Traffic flow predictive models review Abstract: With the development of society, traffic accidents, traffic jams, environmental pollution and energy consumption problems become more and more serious. In order to alleviate traffic pressure, traffic experts also puts forward all kinds of different methods. In the traffic network is more and more complex today, traffic flow predictive in intelligent transportation system is a hot research fields, because the correct traffic flow predictive, can real-time traffic signal control, traffic distribution, route guidance, automatic navigation, accident detection, etc. This article from short-term prediction model of traffic flow, analyzes the advantages and disadvantages of common prediction model, it is concluded that predict comprehensive model will be traffic flow predictive areas of development trend. Keywords:Traffic flow predictive, Intelligent transportation system, integrated model 引言 目前，有关交通流预测方面的研究已取得大量的成果，建立了多种实时交通量预测的方法，其预测精度也达到了较高水平。本文先是通过研究分析不同交通流短期预测模型的优缺点，然后对具有优势的基于神经网络的综合模型进行模型的构建。 一、交通流预测概述 （一）交通流预测的必要性 随着人们生活水平的提高，私家车的数量、人们出行的次数等越来越多，使得交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。很多城市也陷入了“拥有最宽阔的马路，也拥有最宽阔的…停车场?”的困境，严重影响了城市的运转效率，客观上阻碍了社会、经济的快速发展。多年来，世界各国的城市交通专家提出各种不同的方法，试图通过先进的智能交通手段来缓解交通拥堵问题。而实现这些系统或方法的关键，不仅要有实时的道路检测数据，更重要的是，要获得实时、可靠、准确的预测信息。再利用动态路径诱导和交通信息系统为出行者提供实时有效的道路信息，实现动态路径诱导，达到节约出行者旅行时间，缓解道路拥堵，减少污染、节省能源等的目的。因此，准确、可靠的交通预测信息是动态路径诱导系统的基础和关键。
(2005) 西安交通大学对具有排队的多模式动态交通分配问题及其相关应用进行研究。本文对动态交通分配模型发展进行了介绍和总结，并详细讨论了模型中的路段动态函数、流量传播约束、FIFO等相关特性。 将单一交通模式的点排队路段动态模型扩展到多模式动态路段模型，并且证明了各种模式的路段行程时间函数合乎模式内的FIFO特性，以及在拥挤情况下各模式车辆的速度收敛特性。 将多模式随机动态同时的路径与出发时间选择平衡条件描述为变分不等式问题，提出了两个不同的算法用于求解变分不等式问题： 算法一是基于路段的算法，这个算法给出了基于logit的同时的路径与出发时间选择的随机动态网络配载方法，并证明了这个方法的正确性； 算法二是基于路径的启发式算法。仿真试验验证了模型以及两个算法的有效性。提出了多模式多用户动态交通分配模型，用于评估ATIS对不同模式出行者和交通系统的影响。将每一模式的出行者分为两类：一类是装配ATIS的出行者，另一类是未装配ATIS的出行者。由于所能获得的交通信息质量的差异，他们将遵循不同的动态用户平衡条件。同时，每一种模式出行者在选择路径和出发时间时，不但考虑出行费用和进度延误费用的影响，而且还考虑油耗费用的影响。将多模式多用户动态用户平衡条件描述为统一的变分不等式问题，利用对角化算法计算相应的平衡流量状态，并通过仿真试验验证了模型与算法的有效性。使用nested-logit模型模拟ATIS的市场渗透率与服从率，模型的上层模拟了驾驶小汽车出行者的购买行为(市场渗透率)，底层主要描述了装配ATIS设备的小汽车出行者的服从行为(服从率)。设计了固定点算法计算ATIS的平衡市场渗透率与服从率。并在简单的路网上进行了仿真研究，结果证明算法与模型是正确和有效的。提出了组合模式动态交通分配模型，模型中假设有两类出行者：一类是纯模式出行者，他们自己驾驶小汽车完成一次出行。另一类是组合模式出行者，在其一次出行的第一部分是自己驾驶小汽车完成的，剩余部分是乘公交车完成的。使用nested-logit模型模拟出行者的复杂出行选择行为。将各种不同的选择行为描述为一个变分不等式问题。并给出了启发式算法求解相应的变分不等式问题。最后，利用仿真研究验证了模型与算法的有效性。 交通分配： (2005)所谓交通分配是指按照一定的原则，将各OD (Origin-Destination)对间的出行量分配到具体的交通网络上去，从而得到各路段的交通量，以判断各路段的负荷水平。近半个世纪以来，国内外学者对交通分配问题进行了大量的研究，提出了不少交通流分配模型与软件。总体来看，这些模型可以分为两大类: 平衡分配模型：遵循War drop用户最优(UO, User Optimum)准则或系统最优(SO, System Optimum)准则。它们或者使得个别交通参与者的出行费用最低，或者使得交通网络上所有出行者的总出行费用最低。 非平衡分配模型：运用启发式解法或其他近似解法的分配模型则统称为非平衡分配模型，如全有全无分配模型、容量受限分配模型、多路径概率分配模型、随机分配模型和嫡分配模型等。 静态模型不能反映交通流的时变特性，相反，动态交通分配考虑了交通需求随时间变化和出行费用随交通负荷变化的特性，能够给出瞬间的交通流分布状态。 DTA（Dynamic Traffic Assignment） 所谓动态交通分配, 就是将时变的交通出行合理分配到不同的路径上, 以降低个人的出行费用或系统总费用。动态交通分配是在交通供给状况以及交通需求状况均为已知的条件下, 分析其最优的交通流量分布模式, 从而为交通流管理、动态路径诱导等提供依据。 交通供给状况：网络拓扑结构、网段特性、既定控制策略等。