交通需求预测方法08级交通工程2班陈刚 0803030218第一章短时（微观）交通需求预测短时（微观）交通预测，与中观和宏观意义上的以小时、天、月甚至是以年计算的基于交通规划的战略预测有着本质区别。

短于15分钟的交通流预测称为短时交通流预测。

现阶段的预测方法如下：一、非参数回归模型非参数回归模型是近几年兴起的一种适合非线性的、不确定的动态系统的非参数建模方法。

它不需预备知识, 只需足够的历史数据, 寻找历史数据中与当前交通特征相似点, 并用那些相似点预测现阶段交通下一时刻值。

因此,特别是在有突发性事件时, 预测结果要比参数建模的方法精确。

非参数回归作为一种无参数，可移植、高预测精度的算法, 它的误差比较小, 且误差分布情况良好。

尤其通过对搜索算法和参数调整规则的改进, 使其可以真正达到实时交通流预测的需求。

并且这种方法便于操作实施, 能够应用于复杂环境, 可在不同的路段上进行方便地预测。

二、历史平均模型法算法定义为()(1)()V new AV A V old=+-。

式中，()V new代表某路段在一定时间间隔内新的交通流量；()V old代表该路段在相同时间间隔内旧的交通；V为交通流量；A为平滑系数。

历史平均模型算法简单, 参数可用最小二乘法进行估计计算, 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。

但它不能反映动态交通流基本的不确定性与非线性的特点,尤其无法克服随机干扰因素的影响, 没有办法应对交通系统中的突发性事故。

三、神经网络模型先进的交通控制系统不仅应当具备已有系统的优点, 更为重要的是要能充分利用不断积累的经验,有效地产生控制策略, 使模型具有根据历史数据进行学习、经验积累和不断完善的能力。

鉴于这样的发展思路和要求, 神经网络由于其自身特有的自适应性和自学习的优势, 在实时交通流预测领域的应用变得非常活跃。

其是在交通流量预测方面很有潜力的一种模型。

其中比较有代表性的有：BP神经网络模型（及其改进模型）、单元神经网络模型、基于谱分析的神经网络模型、高阶广义神经网络模型、模糊神经网络模型等。

四、时间序列模型Ahmed和Cook于1979年首次在交通流预测领域提出了时间序列模型。

经过一定的发展，其中比较有代表性的有ARIMAO模型、ARIMA模型、（0,1,1）模型等。

下面重点介绍ARIMA 模型。

ARIMA模型假定数据序列是由某个随机过程产生的，它把事物在某一固定时刻的状态视为一个随机过程，利用随机过程去分析描述事物的发展趋势。

ARIMA模型又称为自回归求积移动平均模型。

ARIMS模型预测未来观测值可以按照以下步骤进行：一是识别时间序列的平稳性；二是数据进行平稳化处理；三是根据时间序列模型的识别规则，建立相应的模型；四是进行参数估计，估计暂定的模型参数，检验是否具有统计意义；五是进行假设检验，诊断白噪声。

ARIMA 模型特别适用于稳定的交通流, 但是当交通状况变化过大时, 由于计算量过大, 该模型将在预测延迟方面暴露出明显的不足。

此外, 该模型基本上是从纯时间序列分析的角度进行预测, 并没考虑上下游路段之间的流量关系。

五、卡尔曼滤波模型卡尔曼滤波理论是Kalman于1960年提出的，是一种在现代控制理论中广泛应用的先进方法。

它在很多领域得到了应用，如统计学、经济学等。

随后，有学者将其运用到交通领域，用于预测交通流。

卡尔曼滤波模型具有预测因子选择灵活、精度较高等优点, 是最好的预测方法之一。

且模型的预测精度随预测时间间隔的变化不大, 这说明方法的强壮性很好。

但是, 由于模型的基础是线性估计模型, 所以当预测间隔小于5min 时, 交通流量变化的随机性和非线性性再强一些时, 模型的性能是否会变差, 还没有得到进一步的确认。

此外, 由于在每次计算时都要调整权值, 需要作大量的矩阵和向量运算, 导致算法较为复杂, 难以用于实时在线预测, 预测输出值有时要延迟几个时间段。

在卡尔曼滤波理论的基础上，又衍进了多种理论，如：线性滤波、非线性滤波、自适应滤波、粗正交小波网络以及各种简化的滤波方法。

六、自适应权重模型它的基本思想是：给交通流状况的各个影响因素分配权重。

定义可以实时监测到的路况指标，比如预测间隔时间、突发事件、与天气有关的因素、道路占有率、平均路网行驶时间等，作为权重选择的依据。

此方法由于以线性回归模型为基础，所以相对来说计算简单，易于实现，从而便于大规模应用；而且采集路况指标用以改变权重的方法也简单易行，实时性较强。

指标选择灵活是这种预测模型的一个特点，但是却不可避免地增加了主观性。

比较有代表性的如：基于神经网络的自适应权重模型等。

第二章宏观交通需求预测一、马尔科夫预测法新建一条公路，将必然吸引部分交通量。

从相关道路转移到新建公路上的交通量一般构成了新建公路的基本交通量。

因此确定转移交通量对新建公路的交通量分析和预测起着十分重要的作用，不可低估或忽视。

转移交通量常根据OD调查资料来计算。

公路新建项目的OD 调查由于人力、资金、时间等原因，往往只能在一个较短的时间内进行。

因此只好采用静态分析以转移状态去确定今后的转移交通量。

但因未考虑转移交通量的变化及其发展，在很大程度上影响了新建公路远景交通量预测的准确性和实际效果。

如果使用马尔科夫预测法即可以解决这一问题。

马尔科夫预测法是一种动态随机数学模型，它把预测对象作为一个系统，利用“状态”和“状态转移”进行预测。

这里的状态是指系统的初始状态；状态转移是指状态转移概率，它是系统内部机制的表现，决定系统预测的结果。

而新建公路一般缺少调查年以前的OD资料，有时有一些资料也因时间、地点、方式等不同而无法取用。

当利用调查年的OD资料计算状态转移概率时，就会缺乏计算初始状态的数据。

模型的一个显著特点解决了这一难题。

这个特点是预测过程在较长时间下逐渐趋于稳定，而与原始条件无关。

根据上述实际情况，在应用马尔科夫预测法预测转移交通量时仅考虑状态转移概率，而不考虑初始状态。

具体的使用步骤如下：1 计算状态转移概率矩阵；2 OD分区交通量转移率的预测；3 相关道路交通量转移系数的确定确定相关道路交通量转移系数时一般分为两种情况，一是不考虑OD分区中本区内的交通量转移；二是考虑。

当考虑OD分区中本区内的交通量转移时，可不必经过下面3.1,3.2两步，而直接进行第3.3步计算。

3.1 OD分区转移比重此比重是指每一起点区发生的交通量占全部OD区总交通量的比重。

这一步计算是为第3.2步计算相关道路交通量转移系数做准备。

3.2 相关道路交通量转移系数矩阵3.3 确定相关道路交通量转移系数根据相关道路交通的预测，乘以相应的转移系数，就可以计算出各预测的转移交通量。

二、基于D—S证据理论的交通拥堵预测方法D—S证据理论是由A.P.Dempster于1967年提出，后由G.Shafer加以扩充和发展的一种信息融合方法。

D—S证据理论可处理由不知道所引起的不确定性。

它采用信任函数而不是概率作为度量，通过对一些事件加以约束以建立信任函数而不必说明精确的难以获得的概率，具有较大的灵活性。

理论中，为了描述和处理不确定性，引入了概率分配函数、信任函数及似然函数等概念。

在D—S理论中，由一个证据可确定一个基本概率指派，从而确定一个信念函数。

因此Dempster组合规则又称为证据的组合规则，D—S理论又称为证据理论。

三、PECAS——城市用地和交通集成化模型系统PECAS是生产、交易和消费分派系统。

该模型系统建立在一个综合的供求平衡的结构下，运用不同的技术参数以及购销两情的市场机制，来模拟各行业活动生产和消费的各种产品从生产市场到消费市场的各自流通过程。

这些产品包括商品、服务、劳工、用地等。

产品从生产市场到交易市场，再从交易市场到消费市场的交通量时根据产品的供求关系、区位、交通（负）效用等，运用NL模型加以分派/分布的。

产品加载到交通（道路或公交）网络上，进而确定网络加载条件下的交通负效用。

另一方面，在购销平衡条件下确定的各类用地数量及其交易价格则被输入到用地开发模型中，用来模拟开放商的反应行为。

系统可以对每一年度的生产、交易和消费等活动进行模拟，再通过交通负效应和用地区位效用的相应变化，来影响下一年度的各类活动，包括出行行为。

PECAS在实际应用中的困难之一是数据的的收集和模型参数的估计和标定。

PECAS模型系统考虑的变量很多，这有利于更加真实的反映现实世界，但也引入了很多待以标定的参数。

这些参数既相互影响，也影响其他的模型变量，其间的影响机制是十分复杂的。

由此，PECAS 运用贝叶斯的系列估计方程式，来从统计学上估计模型的一些统计参数。

在模型的标定过程中，则使模型的另一些技术参数指标与一系列目标值相符。

同时，通过实践应用的过程，来积累数据，优化参数标定方法，规范参数的通用值，以减轻模型标定的难度。

在应用方面，美国的很多州正在使用该模型建立州域范围内的用地分析和交通预测模型。

四、Gompertz模型居民出行发生量预测是交通需求预测的一个重要组成部分，通常用Gompertz模型进行模拟，其是交通需求预测中的经典模型。

目前在交通需求预测方面，Gompertz 模型因具有简单适用的特点得到了广泛使用，但使用Gompertz 模型估算居民交通出行时，其系数通常依据相关城市情况类比估算得到，缺乏理论依据和数据基础，在一定程度上影响了交通需求预测结果的可信度。

第三章结语基于确定的数学模型的预测方法越来越不能满足实际精度的要求。

鉴于道路交通系统的非线性、复杂性和不确定性的基本特点，许多无模型的预测算法被应用到交通需求预测中来，取得了较好的实际效果。

同时，由于各种高新技术学科之间的穿插，各种组合预测模型，如神经网络理论与遗传算法、模糊理论、小波理论、谱分析理论等的结合也必将会得到越来越广泛的应用。

由于交通是一门综合性、纯应用型的学科，除了基本的预测理论，计算机技术、人工智能、系统工程等系统预测支持系统将成为越来越多科学技术的综合体，针对复杂变化的交通状态，系统将会自行选择一种合理的预测模型或者组合预测方法，将会成为ITS行业发展的方向。

注：作业虽为打印稿，但因本人习惯，却是自己查阅众多资料写成的，无ctrl+C与ctrl+V的现象，望老师理解。