城市快速路交通流动态特性解析及预测研究

The program focuses on dynamic characteristics analysis and prediction of traffic flow in urban expressway. On the basis of deep understanding of traffic flow variation, the program is implemented from three aspects including data quality control, representing and mining of traffic flow dynamic characteristics, traffic flow prediction. Firstly, aiming at the issue that the traditional method can not deal with the data repairing process under the condition of traffic flow parameters with multi-attribute, a data repairing model based on Fuzzy C-means considering temporal-spatial correlation of traffic flow is proposed, in which a weighted Froenius norm is used to measure the correlation and the Genetic Algorithm is applied to optimize the membership functions and centroids in the model; Secondly, by transforming the traffic flow time series into the corresponding complex network structure, a novel method based on complex network theory is designed to analyze dynamic characteristics and evolution law of traffic flow under different data detecting intervals and different traffic states; Finally, according to the extracted features of traffic flow under different states, a Fuzzy Neural Network prediction model is established by considering classification learning mechanism. Furthermore, Fourier series is adopt to describe the periodic distribution pattern of traffic flow under different sample detecting intervals, and then a hybrid prediction model is constructed by considering weekly similarity. The research results are helpful to understand the evolution mechanism of traffic flow in urban expressway and provide support for developing active traffic management decision.

本项目针对城市快速路交通流动态特性分析及预测问题进行研究，在充分理解交通流变化规律的基础上，从数据的质量控制、交通流动态特性表征与挖掘、预测应用三个层面展开：首先，针对传统方法无法处理交通流参数多属性条件下的数据修复问题，提出考虑交通流时空相关性的模糊C均值修复模型，通过构造加权Froenius范数度量时空相关性，利用遗传算法优化模型中的隶属函数和聚类中心等关键参数；其次，通过将交通流时间序列转化为相应的复杂网络结构，构造一种新的基于复杂网络理论的交通流动态特性分析方法，重点探讨不同采样间隔及不同状态下的交通流特性及其演化规律；最后，融合解析的动态特性，根据不同状态下的交通流变化特征，建立考虑分类学习机制的模糊神经网络预测模型，利用傅里叶级数描述不同采样间隔下的交通流周期分布模式，构建考虑周相似性的组合预测模型。研究成果有助于深入理解快速路交通流演变机理，为制定主动式交通管理决策提供支持。

本项目针对城市路网交通流动态特性分析及预测问题进行研究，在充分理解交通流变化规律的基础上，从数据的质量控制、交通流动态特性表征与挖掘、预测应用三个层面开展研究，主要的研究工作包含以下五个部分的成果：（1）针对传统方法无法处理交通流参数多属性条件下的数据修复问题，构建了考虑交通流时空相关性的模糊C均值修复模型，通过构造加权Froenius范数度量时空相关性，利用遗传算法优化模型中的隶属函数和聚类中心等关键参数，提升了数据质量；（2）通过将交通流时间序列转化为相应的复杂网络结构，构造了一种新的基于复杂网络理论的交通流动态特性分析方法，分析了不同状态下的交通流特性及其演化规律；（3）针对不同状态下的交通流变化特征，建立了考虑分类学习机制的模糊神经网络预测模型，利用傅里叶级数描述不同采样间隔下的交通流周期分布模式，构建了考虑周相似性的组合交通流预测模型；（4）构建了考虑时空相关性的组合分类交通流预测模型，提出了考虑时空相关性的聚类LTSM多任务神经网络模型，提升预测模型在单步和多步条件下的预测精度；（5）构建了基于马尔可夫链的路网行程时间分布估计与预测模型，获取各路径状态转移概率，应用卷积理论将不同状态的路段行程时间分布卷积，得到特定状态下的路径行程时间分布。研究成果有助于理解交通流演变机理，为制定主动式交通管理决策提供支持。