高速公路运营状态的不确定性建模和预测

高速公路运营状态的建模和预测是实现高速公路系统稳定、可靠运营的关键技术之一。高速公路运营状态包括高速公路运营的平均状态及状态不确定性。目前国内外对高速公路运营平均状态的建模和预测研究较多，但对高速公路运营状态不确定性的研究尚处于起始阶段。本项目以高速公路运营状态不确定性为主要研究对象，在广泛采集和分析实际高速公路运营状态数据的基础上，采用广义自回归条件异方差模型、马尔科夫链方法等，建立在断面、路段和路网三个层次上的高速公路运营状态不确定性模型；在此基础上，采用Kalman滤波方法，通过灵活、合理的系统状态转移方程和观测方程设计，实现在断面、路段和路网三个层次上的高速公路运营状态不确定性的实时预测。本项目可为高速公路运营的可靠性设计提供数字化支撑，应用前景广泛。

智能交通系统是解决城市交通拥堵与安全问题的重要措施之一，获得了迅猛的发展，其开发和实施依托于交通状态参数，然而，当前交通状态参数主要为交通平均水平，即交通状态参数的一阶特征，导致系统应用难以有效应对交通系统的不确定性。因此，为了支撑具有鲁棒特征的智能交通系统的建设和开发，本研究以交通状态参数的二阶数字特征为研究对象，对交通状态参数的不确定性进行系统的分析建模和预测。. 本课题所取得的研究成果包括如下方面。首先，在描述常见的时间序列模型的基础上，建立了成套的交通流二阶不确定性，或者异方差性的判别方法，包括最佳转换搜索和四个统计检验，并利用实际数据进行了实证分析，表明交通参数具有异方差性。其次，针对短时交通流预测的需求，进行了多方面的分析：建立了季节性单整自回归滑动平均加广义自回归条件异方差(SARIMA +GARCH)的预测模型，并利用kalman滤波技术对该模型进行实时处理，同时生成交通流的水平预测和相关的预测区间；计算了在固定的时间间隔内的车辆速度的方差，并采用经典的时间序列模型建模，实现了对交通速度方差序列的分析和预测；研究了时间汇集间隔对交通流异方差性的影响，得出结论更长的时间汇集间隔可以抵消的交通流数据中的噪声，从而减少交通流序列的异方差性。再次，在认识到在交通状况数据中明显的季节性规律后，提出了一个简单的季节性调整方法来描述交通流序列中的季节性异方差，提出了针对日或周模式的四类季节性调整因子，通过与传统的GARCH模型比较，该方法被证明改进了预测区间的构建。最后，进行了交通流奇异点的实时分析方法论述和应用，基于在线算法能同时对交通流序列进行水平预测和条件方差预测的能力，提出并实现了实时异常检测方法，实验比较研究表明，预测系统应当使用异常值的信息，以提高其适应交通流量序列模式的变化的能力。. 本课题针对短时交通流不确定进行了实例分析论证，建立了数字化模型，用异方差模型产生的预测区间代替点预测的方法，有助于主动交通管理和控制系统的建设和提高智能交通系统的可靠性,，具有理论和实用价值。