基于免疫遗传算法的od矩阵反推模型与算法研究

《基于免疫遗传算法的od矩阵反推模型与算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、重庆大学硕士学位论文1绪论测，并举例说明了贝叶斯模型对于预测交通流量的实际适用性[5]。LIZhiheng,YINShengchao,TIANYe,LILi,ZHAOZhiqiang,JIYan提出了一种新的混合流模型——超高斯模型来有用的预测和控制交通流量。该模型描述到达的“高峰”的交通流量，进一步分析高峰号抵达负指数分布和交通流量，实验表明结果相对稳定，并遵循一定的M-形曲线，呈随机波动[6]。DebBhattacharjee在2001年主要针对动态的路径选择行为对OD矩阵估计的影响，在车辆动态路径选择模型中，对其参数采用了贝叶斯法进行实时更新

2、，OD矩阵的估计则使用卡尔曼滤波来实现。但这个方法对于交通分配OD矩阵以及中途变更行车路径这两个关键性的参数对于OD矩阵估计的影响没有提出解析计算公式[7]。1.2.2国内研究现状国内关于交通流量的预测，国内发展比较晚，上世纪90年代才开始起步。基于路网OD调查的四阶段法。核心思想是从微观角度出发，以调查得到的路网现状OD矩阵为基础，应用有关的模型进行趋势外推预测未来年的交通量分布情况，然后采用一定的分配方法进行路网交通量分配。分为四个阶段：交通发生预测，交通分布预测，交通方式分担预测，交通分配预测。整个“四阶段”法,通常可以分为有OD数据和无OD

3、数据两种情形；有OD数据的情况下可以选择合适的模型（如如指数模型、直线模型、幂函数模型和二次函数模型等）来分析预测[8]；如果没有OD数据，可以考虑经济状况、交通设施状况以及交通源等因素采用重力模型或采用OD拟合，用单节点和单点对的两种模拟方法通过小样本调查数据反映实际交通分布情况，并且使得计算出的OD资料更为精确、完整以此来分析预测[9,10]。但是“四阶段法”在对交通流量的近似假定、出行者路径选择方法和交通网络的局限性等缺陷[11]，而且通常需要消耗大量的人力、物力和财力来获得基础OD表,这不实用与观测基础资料缺乏的农村公路规划[12]。多元线

4、性回归模型是通过研究一个随机变量和多个可控变量之间的相关关系的一种统计方法[13-15]。通过对历史数据的统计分析，找出自变量与应变量之间的数学函数关系模型，然后带入实测的自变量值，输出预测值。多元线性回归模型是一种简单实用的模型，易于应用于大规模路网交通流量预测中。但是对于没有历史数据或者历史数据稀缺的路段，多元线性回归模型预测精度较低。历史趋势模型假设交通状况是周期性发生的，即具有相同历史趋势的一天里各路段在同一时段具有相同的交通流量[16-18]。建立该模型的关键是对于具有相似历史趋势的工作日的分类。假如实时交通数据没有集成或检测器数据不可靠

5、，历史趋势模型可能是唯一的选择。虽然历史趋势模型可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但动态的预测不足取，因为它不能解决非常3重庆大学硕士学位论文1绪论规和突发的交通状况时的交通流量预测问题，如交通事故时的交通流量预测。神经网络预测模型[19,20]目前在国内外研究比较多，也取得了一定的成果，它可以很好的解决交通领域内的非线性问题，其中向前型神经网络特别适合对交通流量的预测，其预测的平均误差大概为7%~12%之间。当系统具有较强的非线性时，则经过适当地设置结构之后，神经网络往往优于传统方法，但神经网络存在局部极小问题，会出现局部

6、收敛，影响系统的控制精度。但是，神经网络预测模型建模过程相对比较复杂，模型的拟合速度较慢，不能很好地适应短时间短时预测的要求，而且神经网络需要大量自我学习数据，数据不足会导致较差的预测结果。其中一种BP神经网络学习算法运用也较为广泛，通过误差校正，结合道路交通网络的实际情况，通过寻找与预测交通量具有内在和必然联系的因素，建立理想的交通量预测模型，实现道路网节点短时段交通量的预测。该算法具有模型简单，收敛速度快，应用领域广等优点，但训练速度慢、且在高维曲面上局部最小点的逃离问题、算法的收敛问题等不足，通常需要做一定的改进[21,22]。遗传算法是比较

7、先进的参数寻优算法它具有适应性强、全局优化、自适应性等优点，对于不容易建立数学模型的场合其实用价值较为突出，但它也有不足，标准遗传算法采用固定的交叉率和变异率，对于求解一般的全局最优问题具有较好的鲁棒性，而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点.传统的自适应遗传算法虽能有效提高算法的收敛速度，却难以提高优良解的多样性，算法的鲁棒性仍有待改善[23]。卡尔曼（Kalman）滤波是一种比较先进的数据处理方法，是以60年代Kalman提出的滤波理论为基础的方法[24]。在应用于实时交通流量预测之前，己成功应用在交通需求预测领域，预测精度较高。

8、总的来说，Kalman滤波法是针对线性回归分析模型的一种矩阵迭代式的参数估计方法，具有预测因子选择灵活，精度较高的优点。但