《城市交通流量預(yù)測研究文獻綜述》2900字

城市交通流量預(yù)測研究文獻綜述1.1負(fù)荷預(yù)測國內(nèi)外研究現(xiàn)狀負(fù)荷預(yù)測（這里主要指短期負(fù)荷預(yù)測）是電力系統(tǒng)領(lǐng)域一個傳統(tǒng)研究問題，國內(nèi)外許多專家和學(xué)者在預(yù)測方法和理論方面做了大量的工作，關(guān)于負(fù)荷預(yù)測的研究已有幾十年的歷史。大量文獻在分析負(fù)荷時序特性的基礎(chǔ)上，提出了新的預(yù)測模型和預(yù)測角度。負(fù)荷預(yù)測的一般思想是利用已歷史負(fù)荷數(shù)據(jù)時序特性，建立預(yù)測模型，期望預(yù)測模型的輸出盡可能的接近真實值，從而對未來負(fù)荷需求進行預(yù)估。1995年，前蘇聯(lián)學(xué)者Vapnik和CorinnaCortes提出了支持向量機理論方法，它的基本思想是通過建立幾何間隔最大的分離超平面來正確劃分?jǐn)?shù)據(jù)集。2001年，Bo-JuenChen提出的SVM模型負(fù)荷預(yù)測法在EUNITE網(wǎng)絡(luò)舉辦的中期負(fù)荷預(yù)測競賽中獲勝。2004年，Bo-JuenChen將競賽中SVM負(fù)荷預(yù)測模型的設(shè)計細(xì)節(jié)整理成文章發(fā)表在IEEETransactionsonPowerSystems期刊，并做了深入分析和探討。HongWC團隊在基于SVR的負(fù)荷預(yù)測的方向上做了大量工作，從2005年至今，先后發(fā)表27篇文章。該團隊在文獻中提出遞歸支持向量機預(yù)測法，并利用遺傳算法確定遞歸支持向量機的自由參數(shù)。仿真結(jié)果顯示該聯(lián)合方法的預(yù)測精度高于單獨使用支持向量機的預(yù)測方法、回歸分析法以及神經(jīng)網(wǎng)絡(luò)法。和最小化訓(xùn)練誤差的神經(jīng)網(wǎng)絡(luò)模型不同，SVR模型是通過最小化泛化誤差上界進行非線性化建模，當(dāng)負(fù)荷數(shù)據(jù)體量增大、復(fù)雜度增加時，用于確定SVR模型參數(shù)的遺傳算法存在收斂早熟問題，且收斂速度慢，容易陷入局部最優(yōu)。該團隊在文獻提出一種進化算法（又稱混沌遺傳算法）克服上述問題，該方法是將混沌優(yōu)化算法和遺傳算法相結(jié)合，利用混沌優(yōu)化的內(nèi)隨機性克服確定SVR模型參數(shù)時的遇到的局部最優(yōu)問題，實驗結(jié)果表明基于混沌遺傳法和SVR的聯(lián)合負(fù)荷預(yù)測法的預(yù)測性能更優(yōu)。除上述研究外，HongWC團隊在SVR模型的基礎(chǔ)上，先后結(jié)合了混沌粒子群優(yōu)化算法、混沌蟻群優(yōu)化算法、混沌免疫法ADDINEN.CITEADDINEN.CITE.DATA、模糊時間級數(shù)法、經(jīng)驗?zāi)B(tài)分解、小波分解法和回歸神經(jīng)網(wǎng)絡(luò)法用于提高負(fù)荷預(yù)測精度。此外數(shù)據(jù)挖掘領(lǐng)域中的ANN算法、模糊邏輯法、模糊回歸法、隨機森林法、卡爾曼濾波法、小波分解法和灰度系統(tǒng)理論等方法也廣泛應(yīng)用于負(fù)荷預(yù)測中，并取得了一定的預(yù)測效果。其中，ANN算法在負(fù)荷預(yù)測領(lǐng)域的使用最為廣泛，ANN方法模擬人腦細(xì)胞的工作機理，通過各種網(wǎng)絡(luò)訓(xùn)練方法提取模型輸入數(shù)據(jù)內(nèi)在的非線性關(guān)系，具備較強的非線性輸入輸出映射能力。和專家系統(tǒng)預(yù)測方法不同，ANN不依賴專業(yè)人士的調(diào)度經(jīng)驗，對于多種不確定的輸入數(shù)據(jù)，表現(xiàn)出良好的魯棒性。大量研究顯示ANN模型的負(fù)荷預(yù)測能力優(yōu)于時間級數(shù)法和統(tǒng)計學(xué)方法。為提高負(fù)荷預(yù)測精度，部分學(xué)者將多種數(shù)據(jù)挖掘方法相結(jié)合，克服單一預(yù)測模型的不足。比如，將ANN和SVM、遺傳算法、模糊理論、回歸模型、卡爾曼濾波以及小波分解相結(jié)合。另外，還有學(xué)者通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、引入負(fù)荷影響因素以及提高預(yù)測模型的泛化能力等方式進一步提升算法預(yù)測能力。Yang等考慮氣溫、節(jié)假日等因素對負(fù)荷波動性的影響，通過模糊邏輯函數(shù)選取關(guān)聯(lián)性強的影響因素變量作為預(yù)測模型輸入，用模糊邏輯函數(shù)的輸出訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，從而預(yù)測工作日、休息日和特殊日期的負(fù)荷需求。采用模糊邏輯預(yù)處理，降低了ANN的計算復(fù)雜度和訓(xùn)練時間，從預(yù)測結(jié)果可以看出，這種方法比傳統(tǒng)ANN預(yù)測效果更好。還有學(xué)者在此基礎(chǔ)上，進一步引入遺傳算法幫助優(yōu)化模糊邏輯函數(shù)的參數(shù)。文獻利用時間級數(shù)中的關(guān)聯(lián)性分析選取預(yù)測模型合適的輸入。Mori等提出一種結(jié)合多層MLP和最優(yōu)回歸樹的混合預(yù)測方法。仿真結(jié)果顯示提出的混合算法的預(yù)測誤差比MLP算法的預(yù)測誤差降低了7.17%~5.20%，具有較好的預(yù)測效果。1.2交通流量預(yù)測研究現(xiàn)狀交通流量預(yù)測研究主要分為三個方向：第一為對線性方式深化。如基于ARIMA的改進方案，如KARIMA，子集ARIMA，時空SARIMA等，Hamed等開發(fā)出簡約ARIMA模型，用于預(yù)測城市干道交通量。文獻建立了時空自動回歸綜合移動平均（STARIMA）模型，以預(yù)測每個頻率5分鐘的城市交通量。Ghosh等人認(rèn)為ARIMA模型變量屬于單純類的，并據(jù)此提出多元化的時間序列模型。第二為非線性手段。如K.Y.Chan通過平滑技術(shù)進行流量數(shù)據(jù)預(yù)處理，在此基礎(chǔ)上，將數(shù)據(jù)輸至神經(jīng)網(wǎng)絡(luò)內(nèi)展開預(yù)測。第三為復(fù)合型的方法。如雷斌等人運用加權(quán)理論進行預(yù)測。成云等人將ARIMA模型和小波分析相結(jié)合進行預(yù)測。文獻研究顯示，濾波數(shù)據(jù)和模式識別有助于幫助我們進行交通流的預(yù)測。不過，由于交通的實時變化，導(dǎo)致增加了交通流的復(fù)雜性，令其較難探尋到參數(shù)模型表達特點。因此，不少研究人員嘗試著對支持向量機展開優(yōu)化，并促進其在流量預(yù)測中的運用，生了眾多新的方法，如：混沌小波分析支持向量機。除此之外，還有一些神經(jīng)網(wǎng)絡(luò)方法亦取得了廣泛運用。近些年，智能交通系統(tǒng)獲得全面發(fā)展，取得了海量的交通數(shù)據(jù)，有利于進行交通流量的預(yù)測。交通流量預(yù)測主要受到大數(shù)據(jù)的驅(qū)動。伴隨交通數(shù)據(jù)的進一步增長，傳統(tǒng)研究方式的不足進一步突顯，比如，對于復(fù)雜道路、結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)集等狀況中表現(xiàn)出不足。如參數(shù)化模型、淺層神經(jīng)網(wǎng)絡(luò)等算法等，此類算法較為簡單，僅適合少量或小范圍數(shù)據(jù)集的分析。因此，通過深度學(xué)習(xí)對交通流進行分析已成為發(fā)展趨勢。根據(jù)近期的研究拓展，基于深度學(xué)習(xí)智能計算方法，如：神經(jīng)和貝葉斯網(wǎng)絡(luò)、各類深度學(xué)習(xí)方法等。過去幾年間，一些具代表性的研究在交通預(yù)測中獲得良好的運用，成果斐然。A.Khotanzad和N.Sadek在其高速網(wǎng)絡(luò)流量預(yù)測過程中使用了多層感知器（MLP）和神經(jīng)模糊（FNN）網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的NN模型優(yōu)于自動化模型。C.Qiu等人開發(fā)了一種典型的貝葉斯神經(jīng)網(wǎng)絡(luò)來預(yù)測短期交通速度。Huang等人提出了與深度信任網(wǎng)絡(luò)有關(guān)的多任務(wù)學(xué)習(xí)模型。其研究對于傳統(tǒng)算法展開了批判性的回顧，并開創(chuàng)新地引進多任務(wù)回歸層予以研究。1.3經(jīng)典路徑規(guī)劃方法研究現(xiàn)狀在路徑規(guī)劃領(lǐng)域，目前已經(jīng)存在很多經(jīng)典的算法。早在上世紀(jì)50年代，狄杰斯特拉提出了Dijkstra算法，該算法應(yīng)用貪心的思想，通過每次在未標(biāo)記的節(jié)點中選擇距離源點最近的節(jié)點實現(xiàn)最短路徑的求解。Guo等人研究了Dijkstra算法的中間過程，將距源點等同距離的節(jié)點進行保存，再依這些中間節(jié)點進行擴展，同時在距離最優(yōu)的基礎(chǔ)上兼顧了時間最優(yōu)，提高了Dijkstra算法的效率。A*算法在Dijkstra算法的基礎(chǔ)上，加入了啟發(fā)式函數(shù)，也就是一種評估當(dāng)前點到達目標(biāo)的度量，用來決定下一步應(yīng)該優(yōu)先擴展哪個節(jié)點，這種算法在多維度規(guī)劃問題上，或是在較大規(guī)模的地圖上，算法復(fù)雜度很大。Su等人結(jié)合了A*算法，基于時間、空間和導(dǎo)航約束，分別建立了協(xié)同策略、協(xié)同約束和協(xié)同模型，提出了一種協(xié)同搜索的A*算法，解決了多機同時到達和多角度到達條件下的路徑規(guī)劃問題。勢場法將規(guī)劃空間看作物理學(xué)中“場”的概念，將智能體看作一個粒子，障礙物會對這個粒子產(chǎn)生斥力，目標(biāo)會對這個粒子產(chǎn)生引力，兩者的合力即為最后智能體運動的方向，主要的困難在于如何設(shè)計引力和斥力函數(shù)。這種方法實時性較好，同時產(chǎn)生的路徑通常十分平滑，適合于機械臂一類的應(yīng)用，缺點是在合力為0的位置智能體容易陷入局部最優(yōu)解。蟻群算法模擬螞蟻的尋路過程，通過共享信息素參量實現(xiàn)環(huán)境探索和路徑規(guī)劃，Liu等人將信息素擴展過程與幾何空間的局部最優(yōu)化相結(jié)合，提出按照電場力的方向進行信息素的擴散，提供了一種