搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

道路交通流状态的多参数融合预测方法

马庆禄 刘卫宁 孙棣华

引用本文:
Citation:

道路交通流状态的多参数融合预测方法

马庆禄, 刘卫宁, 孙棣华

Multi-parameter fusion applied to road traffic condition forecasting

Ma Qing-Lu, Liu Wei-Ning, Sun Di-Hua
PDF
导出引用
  • 针对道路交通流普遍存在的混沌特性以及单交通参数不足以全面反映交通流状态的实际情况,考虑交通动力学系统中多个交通参数之间的关联关系,提出一种新的多参数混沌时间序列预测算法.该算法在相空间重构理论的基础上,借助Bayes估计将多个参数在同一高维相空间中进行相点最优融合,从而增加重构相空间的系统信息量, 使得相空间的相点轨迹更加逼近原交通系统的动力学行为.同时借鉴单 参数混沌时间序列预测方法,从不同角度对动力学系统的运动状态进行描述,以实现多参数时间序列的混沌预测.实验结果表明,通过融合多交通参数时间序列,获得了更加完整的交通流状态变化特征.与单交通参数时间序列的预测结果相比,其预测误差显著降低,均衡系数相应增大,提高了交通流状态预测的准确率.
    In view of the chaotic characteristic in road traffic flow and the actual traffic condition that cannot be comprehensively reflected by single traffic parameter, a fusion algorithm of multi-parameters for traffic condition forecasting, with the consideration of the relationship between multiple parameters, is proposed. This algorithm is based on the reconstruction of phase space. According to Bayesian estimation theory, the multiple traffic parameters are optimally fused into phase points in the same phase space. Accordingly, the phase space information increases and the phase points are closer to dynamical behavior of the traffic system. On the basis, by using the multi-parameter chaos prediction method, the tendency of dynamic systems from different aspects is described, with reference to the method of predicting single parameter chaotic time series. The experimental results confirm that more features of real traffic condition are reflected by fusing multiple traffic parameters. The multi-parameters forecasting algorithm reduces the prediction error and improves the equalizer coefficients compared with the results generated from single parameter prediction. That is to say, the prediction method used in this paper is effective and accurate for predicting traffic condition based on multiple traffic parameters.
    • 基金项目: 高等学校博士学科点专项科研基金 (批准号: 20090191110022)资助的课题.
    • Funds: Project supported by the Research Fund for the Doctoral Program of Higher Education of China (Grant No. 20090191110022).
    [1]

    Tang T Q, Huang H J, Shang H Y 2010 Phys. Lett. A 374 1668

    [2]

    Tang T Q, Li C Y, Huang H J 2010 Phys. Lett. A 374 3951

    [3]

    Peng G H, Cai X H, Liu C Q, Cao B F 2011 Lett Phys. Lett. A 375 2153

    [4]

    Li M H, Sun D H, Tu P 2008 J. Tran. Sys. Eng. Infom. Tech. 6 73 (in Chinese) [李梅红, 孙棣华, 涂平 2008 交通运输工程与信息学报 6 73]

    [5]

    Zhou Y D, Ma H, Lü W Y, Wang H Q 2007 Acta Phys. Sin. 56 6809 (in Chinese) [周永道, 马洪, 吕王勇, 王会琦 2007 物理学报 56 6809]

    [6]

    Zang L L, Jia L, Yang L C, Liu T 2007 China Journal of Highway and Transport 20 95 (in Chinese) [臧利林, 贾 磊, 杨立才, 刘 涛 2007 中国公路学报 20 95]

    [7]

    Innamaa S 2005 Transportation 32 649

    [8]

    Tseng F M, Yu H C, Tzeng G H 2001 Technol. Forecast. Soc. Chang. 67 291

    [9]

    Liu X W, Fang X M, Qin Z H, Ye C, Xie M 2011 J. Netw. Syst. Manage 19 427

    [10]

    Karunasinghe D S K, Liong S Y 2006 J. Hydrol. 323 92

    [11]

    Wang H, Zhu M 2003 Journal of Southeast University (English Ed.) 19 414

    [12]

    Peng G H 2010 Acta Phys. Sin. 59 3824 (in Chinese) [彭光含 2010 物理学报 59 3824]

    [13]

    Takens F 1981 Lect. Notes Math. 898 361

    [14]

    Kennel M B, Brown R, Abarbanel H D I 1992 Phys. Rev. A 45 3403

    [15]

    Lu S, Wang H Y 2006 Acta Phys. Sin. 55 572 (in Chinese) [卢 山, 王海燕 2006 物理学报 54 572]

    [16]

    Zhang Y, Guan W 2009 Acta Phys. Sin. 58 756 (in Chinese) [张 勇, 关 伟 2009 物理学报 58 756]

    [17]

    Reinhart J, Wolfgang B 2006 Exper. Brain Res. 174 528

    [18]

    Cong R, Liu S L, Ma R 2008 Acta Phys. Sin. 57 7487 (in Chinese) [丛 蕊, 刘树林, 马锐 2008 物理学报 57 7487]

  • [1]

    Tang T Q, Huang H J, Shang H Y 2010 Phys. Lett. A 374 1668

    [2]

    Tang T Q, Li C Y, Huang H J 2010 Phys. Lett. A 374 3951

    [3]

    Peng G H, Cai X H, Liu C Q, Cao B F 2011 Lett Phys. Lett. A 375 2153

    [4]

    Li M H, Sun D H, Tu P 2008 J. Tran. Sys. Eng. Infom. Tech. 6 73 (in Chinese) [李梅红, 孙棣华, 涂平 2008 交通运输工程与信息学报 6 73]

    [5]

    Zhou Y D, Ma H, Lü W Y, Wang H Q 2007 Acta Phys. Sin. 56 6809 (in Chinese) [周永道, 马洪, 吕王勇, 王会琦 2007 物理学报 56 6809]

    [6]

    Zang L L, Jia L, Yang L C, Liu T 2007 China Journal of Highway and Transport 20 95 (in Chinese) [臧利林, 贾 磊, 杨立才, 刘 涛 2007 中国公路学报 20 95]

    [7]

    Innamaa S 2005 Transportation 32 649

    [8]

    Tseng F M, Yu H C, Tzeng G H 2001 Technol. Forecast. Soc. Chang. 67 291

    [9]

    Liu X W, Fang X M, Qin Z H, Ye C, Xie M 2011 J. Netw. Syst. Manage 19 427

    [10]

    Karunasinghe D S K, Liong S Y 2006 J. Hydrol. 323 92

    [11]

    Wang H, Zhu M 2003 Journal of Southeast University (English Ed.) 19 414

    [12]

    Peng G H 2010 Acta Phys. Sin. 59 3824 (in Chinese) [彭光含 2010 物理学报 59 3824]

    [13]

    Takens F 1981 Lect. Notes Math. 898 361

    [14]

    Kennel M B, Brown R, Abarbanel H D I 1992 Phys. Rev. A 45 3403

    [15]

    Lu S, Wang H Y 2006 Acta Phys. Sin. 55 572 (in Chinese) [卢 山, 王海燕 2006 物理学报 54 572]

    [16]

    Zhang Y, Guan W 2009 Acta Phys. Sin. 58 756 (in Chinese) [张 勇, 关 伟 2009 物理学报 58 756]

    [17]

    Reinhart J, Wolfgang B 2006 Exper. Brain Res. 174 528

    [18]

    Cong R, Liu S L, Ma R 2008 Acta Phys. Sin. 57 7487 (in Chinese) [丛 蕊, 刘树林, 马锐 2008 物理学报 57 7487]

  • [1] 刘奇, 李璞, 开超, 胡春强, 蔡强, 张建国, 徐兵杰. 基于时延光子储备池计算的混沌激光短期预测. 物理学报, 2021, 70(15): 154209. doi: 10.7498/aps.70.20210355
    [2] 田中大, 李树江, 王艳红, 高宪文. 短期风速时间序列混沌特性分析及预测. 物理学报, 2015, 64(3): 030506. doi: 10.7498/aps.64.030506
    [3] 刘擎超, 陆建, 陈淑燕. 基于能力区域的交通状态预测方法. 物理学报, 2014, 63(14): 140504. doi: 10.7498/aps.63.140504
    [4] 吕善翔, 冯久超. 一种混沌映射的相空间去噪方法. 物理学报, 2013, 62(23): 230503. doi: 10.7498/aps.62.230503
    [5] 张玉梅, 吴晓军, 白树林. 交通流量序列混沌特性分析及DFPSOVF预测模型. 物理学报, 2013, 62(19): 190509. doi: 10.7498/aps.62.190509
    [6] 陈绍宽, 韦伟, 毛保华, 关伟. 基于改进时空Moran's I指数的道路交通状态特征分析. 物理学报, 2013, 62(14): 148901. doi: 10.7498/aps.62.148901
    [7] 张文专, 龙文, 焦建军. 基于差分进化算法的混沌时间序列预测模型参数组合优化. 物理学报, 2012, 61(22): 220506. doi: 10.7498/aps.61.220506
    [8] 陈帝伊, 柳烨, 马孝义. 基于径向基函数神经网络的混沌时间序列相空间重构双参数联合估计. 物理学报, 2012, 61(10): 100501. doi: 10.7498/aps.61.100501
    [9] 李军, 张友鹏. 基于高斯过程的混沌时间序列单步与多步预测. 物理学报, 2011, 60(7): 070513. doi: 10.7498/aps.60.070513
    [10] 张春涛, 马千里, 彭宏, 姜友谊. 基于条件熵扩维的多变量混沌时间序列相空间重构. 物理学报, 2011, 60(2): 020508. doi: 10.7498/aps.60.020508
    [11] 李鹤, 杨周, 张义民, 闻邦椿. 基于径向基神经网络预测的混沌时间序列嵌入维数估计方法. 物理学报, 2011, 60(7): 070512. doi: 10.7498/aps.60.070512
    [12] 张春涛, 马千里, 彭宏. 基于信息熵优化相空间重构参数的混沌时间序列预测. 物理学报, 2010, 59(11): 7623-7629. doi: 10.7498/aps.59.7623
    [13] 丛 蕊, 刘树林, 马 锐. 基于数据融合的多变量相空间重构方法. 物理学报, 2008, 57(12): 7487-7493. doi: 10.7498/aps.57.7487
    [14] 王永生, 孙 瑾, 王昌金, 范洪达. 变参数混沌时间序列的神经网络预测研究. 物理学报, 2008, 57(10): 6120-6131. doi: 10.7498/aps.57.6120
    [15] 贺 涛, 周正欧. 基于分形自仿射的混沌时间序列预测. 物理学报, 2007, 56(2): 693-700. doi: 10.7498/aps.56.693
    [16] 叶美盈, 汪晓东, 张浩然. 基于在线最小二乘支持向量机回归的混沌时间序列预测. 物理学报, 2005, 54(6): 2568-2573. doi: 10.7498/aps.54.2568
    [17] 李 军, 刘君华. 一种新型广义RBF神经网络在混沌时间序列预测中的研究. 物理学报, 2005, 54(10): 4569-4577. doi: 10.7498/aps.54.4569
    [18] 肖方红, 阎桂荣, 韩宇航. 混沌时序相空间重构参数确定的信息论方法. 物理学报, 2005, 54(2): 550-556. doi: 10.7498/aps.54.550
    [19] 游荣义, 陈 忠, 徐慎初, 吴伯僖. 基于小波变换的混沌信号相空间重构研究. 物理学报, 2004, 53(9): 2882-2888. doi: 10.7498/aps.53.2882
    [20] 杨绍清, 贾传荧. 两种实用的相空间重构方法. 物理学报, 2002, 51(11): 2452-2458. doi: 10.7498/aps.51.2452
计量
  • 文章访问数:  6379
  • PDF下载量:  753
  • 被引次数: 0
出版历程
  • 收稿日期:  2011-12-17
  • 修回日期:  2012-02-06
  • 刊出日期:  2012-08-05

/

返回文章
返回