基于时延特性建模的多断面短时交通流预测

发布时间：2024-03-17 14:22

　　针对现有交通流预测方法未充分考虑多断面车流演变规律,提出基于时延特性建模的时空相关性计算方法.该方法采用对不同断面、不同时刻交通流的分布相似性度量,对输入的车辆到达数据序列进行切割构建时空相似度矩阵,得到相邻断面之间的时延参数.基于时延特性建模,将多断面之间的流量信息进行融合,使用长短时记忆(LSTM)网络进行流量预测.通过对实际路段数据的预测和结果分析,验证所提方法的有效性和实用性.

【文章页数】：7 页

【部分图文】：

图1路段中交通流传输示意图

交通流运动过程是包含随机因素的复杂过程，增加了实现交通流实时预测的难度.时延特性针对目标交通流经过上下游多断面的时间差展开，从微观模型分析，车辆在路网中的运动形态分为连续交通流和非连续交通流.在路段中车辆以连续自由流的形式运动，经过有信号控制交叉口后，被分割成多股车流交替放行.如....

图2路段中时延与密度变化趋势图

式中：u(t),k(t)分别为路段速度、密度分布函数；uf为自由流速度；kj为阻塞密度；li为路段i的长度；ti,b,ti,e分别为车辆在路段i上进入、驶出时刻；di为路段i上的时延.从宏观模型方面分析，交通流的传播特性可以描述为包含交通流密度、速度、流量三者之间稳态关系的交通流....

图3路网中时延特性分布示意图

由上述分析可知，交通流传输时延与路段交通量密切相关，仅考虑断面距离、交通流排队消散特性[7-9]等因素无法实现传输时延的精确描述.本文利用多断面流量数据，建立目标交通流在运动过程中的动态跟踪模型，预测相近断面间交通流传输的最佳时延，结合历史数据，对流量变化进行学习，改善交通流预测....

图4基于时延特性建模的相似性度量及流量初步预测示意图

图4为本算法计算过程，断面1表示目标断面，断面2和3为其临近断面.选择子序列长度为5，对断面1的输入数据进行截取，将最后5个时刻作为目标断面的末尾时刻流量特性(断面1中方框加粗的序列).将其他断面的输入数据以步长为1，切分成长度为5的子序列集，并与目标断面末尾流量序列进行相似性度....

本文编号：3931160