融合天气因素的短时交通流深度预测算法

发布时间：2020-07-15 20:15

【摘要】：随着经济的发展,机动车数量的攀升。交通拥堵、交通事故等一系列交通问题也随之产生,并严重制约着道路的通行能力。智能交通系统依靠对行驶车辆运行状态的监控、诱导,优化交通流在路网中的分布,能够有效的缓解道路交通拥堵、交通事故的发生,是目前全世界公认的解决交通问题的最有效途径。交通流预测作为智能交通研究领域中的关键技术之一,成为国内外研究的热点。针对现有交通流量预测算法大多仅考虑常态下的预测,而未考虑天气因素、交通事件等突发因素对预测结果的影响的不足,本文提出了一种融合天气因素的短时交通流深度预测模型。首先,对采集的天气和交通流数据进行缺失补齐、去噪、归一化等预处理;其次,通过相关性分析得出与交通流数据相关性最强的天气因素;最后,构建基于深度信念网络和支持向量回归的短时交通流预测模型,将天气数据和交通流数据作为预测模型训练样本。根据交通流数据在时间上分布的差异性,为了提高预测精度,分别对工作日和周末的交通流量进行预测。通过美国交通数据研究实验室和犹他州大学MesoWest提供的实际交通流和天气数据对预测模型进行验证。结果表明:本文提出的预测模型与未融合天气因素的预测模型相比,其预测精度平均提高4%,验证了所提出的融合天气因素的交通流预测模型的有效性,为及时可靠的交通诱导及控制提供了理论支撑。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U491.112
【图文】：

监测站位

现有的和归档的天气观测数据的访问美国国家气象局使用它来帮助究人员了解了恶劣的天气事件之后公众地为个人和其他用途提t 主要依靠政府机构、私营公司、和教育机构管理的天气观测网络。数据库为许多组织提供使用，属于开源数据库。美国国家气象部t 的运营使用，用于监测全国的天气状况。在关键位置建立观测站点，过 MesoWest 界面来查看。如温度、湿度、能见度、风速、风向等天。MesoWest 还使用 GoogleEarth 来提供交互式图形界面，并且允许用察图以便能更好的了解给定位置的条件。使用美国明尼苏达州 St Paul InternationalAirport 监测站的天气数据作使用 2017 年 6 月 1 日至 2017 年 9 月 30 日的天气数据，数据采样间ulInternationalAirport 监测站位置如图 5.1 所示。StPaulInternational始天气数据如图 5.2 所示。

分布图,监测站,数据,交通数据

图 5.2 St Paul InternationalAirport 监测站原始天气数据.1.2 交通数据来源本文实验所用到的交通数据来源于美国交通数据研究实验室（Transportatiesearch Data Lab）所提供的高速公路交通流量数据。可以持续获得全年的交通数据括交通流、占有率。文中选用美国明尼苏达州的交通数据为实验数据，采集使用 20 6 月 1 日至 2017 年 9 月 30 日内的交通流量数据，采样时间间隔为 5 分钟。美国明达州高速公路分布图如 5.3 所示。数据采样站点为 S497（图中红色标记处），位置 5.4 所示。

分布图,高速公路,分布图,美国

图 5.2 St Paul InternationalAirport 监测站原始天气数据据来源验所用到的交通数据来源于美国交通数据研究实验室（Transta Lab）所提供的高速公路交通流量数据。可以持续获得全年的交、占有率。文中选用美国明尼苏达州的交通数据为实验数据，采集使至 2017 年 9 月 30 日内的交通流量数据，采样时间间隔为 5 分钟。公路分布图如 5.3 所示。数据采样站点为 S497（图中红色标记处）

【参考文献】