基于HMM的短时交通状态预测研究

论文摘要

近年来,随着我国城镇化建设步伐加快、以及人们生活水平的不断提高,越来越多的市民以汽车作为了出行的第一选择。据交通部估计,到2020年,我国汽车保有量将达到2.2亿辆,这对我国的道路服务水平、道路建设提出了更高要求和巨大挑战。随着对交通流的研究深入,研究人员提出了“智能交通系统(ITS)”概念,即在现有交通设施的基础上,最优化地规划交通流,节省人力物力,缓解交通拥堵,减少污染,因此对ITS的研究具有十分重要的意义。为了使出行人员及时了解交通信息,提前规划路径、选择最佳出行方式,短时交通状态的预测研究逐渐成为了ITS的研究热点。论文以预测路段未来短时内的交通状态作为研究课题,从交通流特性、预测模型分析及构建、预测结果评价三方面进行深入。本文以路段数据站所采集的数据序列为基础,通过对其进行分析,进一步了解交通流在时间轴上的变化特点,可知,交通流是一种时变的、非线性的随机过程。然而传统预测模型往往是对交通状态进行定量确定性的预测,仅对交通流静态信息进行研究,忽略了交通流的动态特点。基于此,本文利用隐马尔科夫(HMM)统计模型对交通状态进行预测。首先,论文对模型参数进行构造,对预测窗口内的数据序列进行统计分析,得到其平均值和对比度,从而得到模型的隐状态。并设定预测窗口开始时刻测得值对应的取值区间作为观察状态。从而构造出了隐状态和观察状态集合。其次,利用HMM中的EM算法,利用所采集的训练数据对模型的参数进行训练,得到模型参数,包括状态转移矩阵、发生矩阵、初始状态概率分布,并结合交通流的特点对参数进行分析。然后,在所获得的模型基础上,分别结合不同交通参数的验证数据集,利用隐马尔科夫模型对短时交通状态进行了预测,并利用本论文提出的评价方法对各参数预测结果进行比较分析。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景和意义
• 1.2 国内外研究动态
• 1.3 论文的主要内容和结构安排
• 第2章 短时交通预测方法和交通流特性
• 2.1 短时交通预测介绍
• 2.2 短时交通预测模型与方法
• 2.2.1 卡尔曼滤波算法
• 2.2.2 时间序列模型
• 2.2.3 人工神经网络
• 2.2.4 复合预测模型方法
• 2.2.5 马尔科夫预测法
• 2.3 交通流参数介绍
• 2.3.1 流量
• 2.3.2 速度
• 2.3.3 密集度
• 2.4 参数采集和交通流特性
• 2.4.1 参数采集
• 2.4.2 城市快速路的交通流特点
• 2.5 交通状态分析和数据序列对比度
• 2.5.1 交通状态的分析
• 2.5.2 参数序列的对比度CON
• 2.6 本章小结
• 第3章 隐形马尔科夫模型及数据序列对比度
• 3.1 Markov过程
• 3.2 HMM统计模型
• 3.2.1 HMM的基本概念
• 3.2.2 HMM定义
• 3.2.3 HMM解决的三个基本问题及解决办法
• 3.3 基于交通流的HMM模型构造
• 3.4 参数的离散化
• 3.4.1 预测窗口内平均速度离散化
• 3.4.2 对比度分析
• 3.4.3 对比度离散化
• 3.5 隐状态和观察状态集合确定
• 3.5.1 隐状态集合确定
• 3.5.2 观察状态集合确定
• 3.6 模型参数确定及分析
• 3.6.1 模型参数训练
• 3.6.2 状态转移概率矩阵分析
• 3.6.3 发生矩阵分析
• 3.6.4 初始状态概率分布确定
• 3.7 本章小结
• 第4章 基于THMM的交通状态预测仿真分析
• 4.1 基于HMM的交通状态预测
• 4.2 预测结果评价方法
• 4.2.1 隐状态的几何表示
• 4.2.2 预测结果评价方法
• 4.3 不同参数的预测结果分析
• 4.3.1 基于交通速度的预测分析
• 4.3.2 基于交通流量的预测分析
• 4.3.3 基于占有率（Occupancy）的预测分析
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 全文总结
• 5.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文目录
• 攻读硕士学位期间的科研项目