基于交通數(shù)據(jù)融合技術(shù)的行程時(shí)間預(yù)測模型.pdf

1、在交通運(yùn)營與管理中，高效的出行信息與路徑誘導(dǎo)系統(tǒng)將發(fā)揮越來越重要的作用。行程時(shí)間作為其中的關(guān)鍵參數(shù)，能夠?yàn)榻煌顟B(tài)估計(jì)和城市路網(wǎng)擁堵情況的發(fā)布提供數(shù)據(jù)參考。同時(shí)，行程時(shí)間是衡量路段通行效率和延誤的重要依據(jù)，是反映路段交通狀態(tài)的直接指標(biāo)，在智能交通系統(tǒng)中有著廣泛應(yīng)用。
　　 目前，行程時(shí)間的預(yù)測研究大都局限于單一交通數(shù)據(jù)源。單一的交通數(shù)據(jù)容易受采集儀器的精度、采集方法、樣本量、人為操作等因素的影響;而多源交通數(shù)據(jù)的融合，可以彌補(bǔ)單

2、源數(shù)據(jù)的諸多不足，提高行程時(shí)間預(yù)測的精度。本文提出利用GPS浮動(dòng)車數(shù)據(jù)與微波檢測器交通數(shù)據(jù)進(jìn)行融合，建立行程時(shí)間預(yù)測的數(shù)據(jù)融合模型。
　　 本文采用小波神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)融合模型。同BP神經(jīng)網(wǎng)絡(luò)相比，小波神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的信息提取、非線性逼近和容錯(cuò)能力，但它存在初始參數(shù)選取的隨機(jī)性、易形成局部極小值而得不到整體最優(yōu)值等問題。遺傳算法可以用來優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的初始網(wǎng)絡(luò)參數(shù)，彌補(bǔ)小波神經(jīng)網(wǎng)絡(luò)自身的不足。優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)用于數(shù)據(jù)融合

3、可以提高模型的收斂速度與泛化能力。
　　 本文選取廣東清遠(yuǎn)北江新區(qū)廣清大道的交通數(shù)據(jù)進(jìn)行了行程時(shí)間預(yù)測。結(jié)果顯示，GPS出租車得到的行程時(shí)間與視頻觀測值相比偏低，誤差超過了目標(biāo)閾值15％的范圍。原因在于出租車頻繁超車，車速高于路段車流。而微波檢測器得到的行程時(shí)間大于視頻觀測值，誤差超過了15％的范圍。主要原因在于實(shí)驗(yàn)路段大客車、大貨車較多，遮擋了車流中部分小汽車，造成小汽車數(shù)據(jù)的漏檢。而融合后的行程時(shí)間與視頻觀測數(shù)據(jù)吻合良好，誤