交通流预测模型综述
交通流预测模型综述
摘要：
随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。为了缓解交通压力，交通专家也提出了各种不同的方法。在交通网络越来越复杂的今天，交通流预测在智能交通系统中是个热门的研究领域，因为正确的交通流预测，可以进行实时交通信号控制，交通分配、路径诱导、自动导航，事故检测等。本文从交通流短期预测模型出发，分析常见预测模型的优缺点，得出综合模型进行预测将是交通流预测领域的发展趋势。
关键字：交通流预测，智能交通系统，综合模型
Traffic flow predictive models review
Abstract:
With the development of society, traffic accidents, traffic jams, environmental pollution and energy consumption problems become more and more serious. In order to alleviate traffic pressure, traffic experts also puts forward all kinds of different methods. In the traffic network is more and more complex today, traffic flow predictive in intelligent transportation system is a hot research fields, because the correct traffic flow predictive, can real-time traffic signal control, traffic distribution, route guidance, automatic navigation, accident detection, etc. This article from short-term prediction model of traffic flow, analyzes the advantages and disadvantages of common prediction model, it is concluded that predict comprehensive model will be traffic flow predictive areas of development trend.
Keywords:Traffic flow predictive, Intelligent transportation system, integrated model
引言
目前，有关交通流预测方面的研究已取得大量的成果，建立了多种实时交通量预测的方法，其预测精度也达到了较高水平。本文先是通过研究分析不同交通流短期预测模型的优缺点，然后对具有优势的基于神经网络的综合模型进行模型的构建。
一、交通流预测概述
（一）交通流预测的必要性
随着人们生活水平的提高，私家车的数量、人们出行的次数等越来越多，使得交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。很多城市也陷入了“拥有最宽阔的马路，也拥有最宽阔的…停车场?”的困境，严重影响了城市的运转效率，客观上阻碍了社会、经济的快速发展。多年来，世界各国的城市交通专家提出各种不同的方法，试图通过先进的智能交通手段来缓解交通拥堵问题。而实现这些系统或方法的关键，不仅要有实时的道路检测数据，更重要的是，要获得实时、可靠、准确的预测信息。再利用动态路径诱导和交通信息系统为出行者提供实时有效的道路信息，实现动态路径诱导，达到节约出行者旅行时间，缓解道路拥堵，减少污染、节省能源等的目的。因此，准确、可靠的交通预测信息是动态路径诱导系统的基础和关键。
（二）预测原则与预测模式
实时交通流预测是一项谨慎的研究，从数据收集到形成样本，再到模型建立都要求做到准确、精确。因此要遵循以下原则：
（1）检测线圈设置位置要合适，要尽可能的检测连续通过的车流，车辆的排队不能超过线圈设置位置。（2）预测参数的时间段长度要合理，能体现出交通流特征，还要为标定，模型留有空余空间。合理的长度时段的交通流绘制成的曲线有一定的光滑性，能形成一定规律。（3）模型的建立要符合实际，无论从哪个角度建模，模型计算要简便、标定参数要容易、以便实时预测不会出现计算问题。
实时交通流的预测模式如下图
二、交通流预测常用模型及其发展趋势
（一）交通流预测常用模型
本文主要讲短时交通流预测模型。多年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，大概可以分为七类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。
1、基于统计方法的模型
该模型用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。总之，基于统计方法的模型理论简单，容易理解但由于大部分模型都是基于线性的基础，所以对于交通流变化较大时，预测效
果降低。
2、动态交通分配模型
该模型通过采集到的交通流数据和出行者出行选择的行为来估计随时间变化的网络的状态。此类方法目标明确，理论清晰，但缺点是：①假设条件苛刻，获取信息困难而且代价昂贵；②有些模型无法求解或求解难度大，优化时间长；③过分强调精确的系统最优或用户最优分配结果，加大了模型求解的难度，也不适合在大规模路网上实现应用。
3、交通仿真模型
实际中影响交通的因素很多，很难用理论公式把所有的复杂因素都考虑进去，交通仿真模型可以提供一个唯一的手段来进行评价。仿真模型提供了一个交通流、占有率和旅行时间之间关系的一个模拟实际的计算方法。但从严格意义上说，交通仿真模型不能用于交通流预测的目的，而且不能实现实时性。
4、非参数回归模型
非参数回归模型是一种多条路段分析方法，该算法认为系统所有的因素之间的内在联系都蕴涵在历史数据中，它没有将历史数据作平滑处理，因此，在有特殊事件发生时，较适合。
5、神经网络模型
神经网络具有识别复杂非线性系统的特性，交通系统是复杂巨系统，因此神经网络比较适合于交通领域应用。它采用典型的“黑箱”式学习模式，很适合交通流预测的应用。但不能获得容易被人接受的输入/输出关系，而且在训练过程中需要大量的原始数据，数据不足会导致不好的预测结果；训练完成的网络推广能力差；同时，神经网络的学习算法在理论上存在不足。
6、基于混沌理论的模型
混沌理论研究的目的是揭示貌似随机的现象背后可能隐藏的简单规律，以求利用这些普遍遵循的共同规律来解决一大类复杂系统的问题。理论上讲，复杂系统中总是存在着混沌，交通流系统是人的群体参与的开放的复杂巨系统，因此交通中存在着混沌。
7、综合模型
每类模型各有其优缺点和适用条件，将不同的预测方法进行组合，以求产生较好的预测效果，这就是综合模型的目标。目前发展的综合模型主要有：基于神经网络的综合模型、基于小波理论的综合模型等。
（二）交通流预测模型发展趋势
通过上述对各种交通流预测模型的比较和分析，可看出任何一个模型都具有其优势和缺
点。单个模型总存在着局限性，基于传统统计理论的模型已不能满足复杂的交通系统的精度的要求，为了提高预测的精度和可靠性，应结合其他研究领域先进的方法和模型，博采众长，研究适合我国交通流特性的交通流预测综合模型。另外，交通系统本质上是人、车、路综合作用的一个复杂巨系统，是一个开放、远离平衡的系统，所以基于神经网络的综合模型用于短期交通流预测将有很广阔的应用前景。
三、基于神经网络的综合模型的构建
参考文献：
[1] 刘静，关伟. 交通流预测方法综述[J]公路交通科技，2004（3）：82-85
[2] 杨兆升. 城市交通流诱导系统理论与模型[B]. 人民交通出版社，2000
[3]刘静，关伟.交通流预测方法综述[J].公路交通科技，2004（3）：82-85
[4]王正武，黄中祥.短时交通流预测模型的分析与评价[J].系统工程，2003（6）：97-100
[5]By Brian L.Smith,Michael J.Demetsky.Traffic Flow Forecasting:Comparion of Modeling Approaches [J].Journal of Transportion Engineering,1997:262-266
[6]Stephen Clark ,Traffic Prediction Using Multivariate Nonparametric Regression [J].Journal of Transportion Engineering,2003:161-168
关于解决城市交通堵塞问题的数学模型的探究
城市交通拥阻的分析与治理 摘要 随着经济的高速发展和城市化进程的加快，机动车拥有量急剧增加。城市道路交通拥堵问题成为困扰世界各大城市的主要社会问题之一，严重影响着城市的可持续发展和人们的日常工作与生活。快速、准确地发现路网中发生的交通拥堵，并估计出拥挤在未来一段时间内的扩散范围和持续时间，对于制定合理有效的交通拥挤疏导策略具有重要意义。 本文通过调查洛阳市中州中路与定鼎路交叉口车流量与红绿灯的设置等情况，发现此路口南北方向的车辆主要是由关林与洛阳站方向的往返车辆，东西方向的车辆主要是由中央百货大楼与老城方向的往返车辆，且南北方向的车流量大于东西方向的车流量。 模型一，通过我们的调查发现，造成此路口交通拥堵的原因之一是黄灯时间较短，黄灯时间只有3秒，这样会造成有些车辆因来不及停车而越过十字路口的停车线, 又由于红灯亮了而过不了路口, 故而造成交通混乱。针对此问题，我们在力学与动力学原理的基础上，提出一种调整黄灯时间的模型，利用微分方程列出黄灯时间的求解公式，并计算出黄灯闪亮的最佳时间为7秒。 模型二，道路的增长速度跟不上车辆增长速度，这就导致了车辆静止平均密度逐年增大，结果花费了大量人力物力财力修路架桥，但换来的不是交通顺畅，而是越来越严重的交通拥挤。针对此现象，我们以交通工具为研究对象，运用线性规划方法并结合LINGO软件，得出人们出行选用自行车和大型机动车有利于缓解当前交通拥堵现象。 模型三，为了使交通部门有充分的时间来预防交通拥堵，应该在交通流高峰到来之前做出预测, 进而采取及时的措施并通过交通控制系统削减交通流高峰、避免拥堵的发生，我们采用径向基函数预测功能的神经网络[5],对十字路口的车流量进行实时预测，应用MATLAB软件编程[4]预测出交通高峰期可能通过每个路口的车流量，从而可以给交通部门提供数据，让他们有更充分的时间预防交通拥堵的发生。 关键词：微分方程;线性规划;神经网络; LINGO; MATLAB
交通流分配模型综述
华中科技大学 研究生课程考试答题本 考生菀荣 考生学号M201673159 系、年级交通运输工程系、研一 类别科学硕士 考试科目交通流理论 考试日期2017 年 1 月10 日 交通流分配模型综述 摘要：近些年，交通流分配模型已经广泛应用到了交通运输工程的各个领域，
并且在交通规划中起到了很重要的作用。本文对交通流分配模型研究现状进行了综述，并分别对静态交通流分配模型、动态分配模型以及公交网络进行了阐述和讨论。同时对相关的交通仿真还有网络优化问题研究现状进行了探讨。最后结合自身学习经验做出了一些评价和总结。 关键词：交通流分配；模型；公交网络 0引言 随着经济和科技的发展，城市化进程日益加快，城市也因此被赋予更多的工程，慢慢聚集大量的人口。而人口数量的增加而直接带来的城市出行量增加，不管是机动车出行还是非机动车出行量都相较以前增加了很多，从而引发了一系列的交通问题。因为在城市整体规划中，交通规划已经成为了十分突出的问题。在整个交通规划过程中，交通分配在其中占有很重要的地位，为相关公交路线，具体道路宽度规划等都有很大作用。 1交通流分配及研究进程 1.1交通流分配简介 由于连接OD之间的道路有很多条，如何将OD交通量正确合理的分配到O和D之间的各条路线上，是交通流分配模型要解决的首要问题。交通流分配是城市交通规划的一个重要组成部分也是OD量推算的基础。交通流分配模型分为均衡模型和非均衡模型。 1.2交通流模型研究进程 以往关于交通流分配模型的研究多是基于出行者路径偏好的，主要有以Wardrop第一和第二原则为分配依据建立的交通分配模型，Wardrop第一原则假定所有出行者独立做出令自己出行时间最小的决策，最终达到纳什均衡的状
国内物流需求预测方法文献综述
国内物流需求预测方法文献综述 (河北工程大学管理科学与工程阮俊虎） 物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、半成品和成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求，涉及运输、库存、包装、装卸搬运、流通加工以及与之相关的信息需求等物流活动的诸方面[1]。物流需求的度量可以采用价值量和实物量两种度量体系。实物量意义上的物流需求主要表现为不同环节和功能的具体作业量，如货运量、库存量、加工量、配送量等；价值量意义上的物流需求是所有物流环节全部服务价值构成的综合反映，如物流成本、物流收入、供应链增值等[2]。 物流需求预测是根据物流市场过去和现在的需求状况，以及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。国内外许多专家和学者都对物流需求的预测进行了研究，提出不同的预测方法和手段。物流预测方法可以分为定性预测方法（如德尔菲法和业务人员评估法等）和定量预测方法，但多数是定量预测方法，因此，本文主要是对国内物流需求定量预测方法进行综述，归为时间序列预测方法、因果关系预测方法、组合预测方法等三类。 1．时间序列预测方法综述 时间序列预测方法是依据从历史数据组成的时间序列中找出预测对象的发展变化规律，以此作为预测依据。常用的时间序列预测模型有增长率法、移动平均法、指数平滑法、随机时间序列模型、灰色模型、以及在经济领域已经被广泛应用的混沌与分形等。 增长率法指根据预测对象在过去的统计期内的平均增长率，类推未来某期预测值的一种简便算法。该预测方法一般用于增长率变化不大，或预计过去的增长趋势在预测期内仍将继续的场合。刘劲等[3]（2002）在利用增长率系数法对百色地区港口货运量进行了逐一分析。 移动平均法是用一组最近的实际数据值来预测未来一期或几期内产品的需求量的一种常用方法。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。根据预测时使用的各元素的权重不同，移动平均法可以分为：简单移动平均和加权移动平均。杨荣英等[4]（2001）在讨论移动平均值的基础上，提出了移动平均线方法，并介绍了运用移动平均线进行物流预测的方法。李海建等[5]（2003）利用二次移动平均线模型对芜湖市物流业发展的规模进行了预测。 指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。韦司滢等[6]（1999）将指数平滑法等其他多种方法应用在三峡移民工程建材配送决策支持系统中。黄荣富等[7]（2003）、
连续交通流模型及数值模拟
连续交通流模型及数值模拟 [摘要]本文对现有的交通流宏观模型进行了研究，总结了各种模型的思想、优缺点以及适用条件，在此基础上，选取了Payne 模型离散格式进行数值模拟，选取了某段高速公路的交通流作为模拟对象，展现了Payne 模型模拟交通流的可行性。 [关键字] 连续交通流；离散格式；数值模拟 0 引言 交通流理论研究加深了人们对复杂多体系统远离平衡态时演变规律的认识，促进了统计物理、非线性动力学、应用数学、流体力学、交通工程学等学科的交叉和发展等多学科的交叉渗透和相互发展。交通流理论研究的对象是离散态物质，是一个复杂的非线性体系，对这类物质运动规律的描述，尚无成熟的理论。 在宏观的连续流模型中，交通流被比拟为连续的流体介质，即将流量、速度和密度等集聚变量视为时间和空间的连续函数。模型包含时间和空间的状态方程，考虑了车辆的加速度、惯性和可压缩性，能够合理准确描述交通流的动态特性，相比微观模型有更大的优势。连续流交通流模型通常用密度（k ）、速度（u ）、流量（q ）三个变量来描述[1]。 1 连续交通流模型 1.1 LWR 模型 1955年，Lighthill&Whitham 提出了第一个交通流的流体力学模型——流体运动学模型[2]，随后P.I.Richards 独立地提出了类似的交通流理论。LWR 模型用k(x,t)和u(x,t)表示t 时刻位于x 处的交通流密度和平均速度，他们满足流体力学的连续方程： (),k q g x t t x ??+=?? （1-1） 此方程反映了车辆数守恒，其中g(x,t)是流量产生率，对没有进出匝道的公路，g(x,t)=0， 对进口匝道，g(x,t)>0，对出口匝道，g(x,t)=0。k 为交通密度，也称为交通流量；x ，t 分别为空间测度和时间测度。设u 为空间平均速度，则存在以下关系： q k u =? (1-2) 对于平均速度u(x,t)，假设平衡速度——密度关系： ()(,)(,)e u x t u k x t = (1-3) 以上3个方程构成了完整的一阶连续交通流模型，LWR 模型的优点是简单明了，可以采用流体力学和应用数学中的成熟工具进行分析，而且可以描述诸如交通阻塞形成和消散之类的交通现象，但是，由于该模型的速度是由平衡速度密度关系决定，并且没有考虑加速度和惯性影响，因此不适用于描述本质上处于非平衡态的交通现象，例如车辆上、下匝道的交通、“幽灵式”交通阻塞、交通迟滞、时走时停的交通等。于是，后来的学者们引进了高阶连续介质模型，考虑了加速度和惯性影响，将动量方程代替方程(1-3)。 1.2 Payne 模型 Pipes 于1953年提出交通流加速度的一般表达式： 2 d u u u d u k u k dt t x dt x ?????=+=-? ?????? （1-4） 1971年，Payne 根据LWR 模型的思想，假设交通流速度是动态变化的，在引用连续性方
交通流预测方法
交通流预测方法 随着社会经济和交通运输业的不断发展，交通拥挤等交通问题越来越凸现出来，成了全球共同关注的问题。那么对于交通流的预测不仅是城市交通控制与诱导的基础，还是解决道路拥堵问题的关键。如果能精确的预测交通网中各个支路上的汽车流量，那么我们可以运用规划方法对交通流进行合理的优化，从而使得道路的利用率达到最大，也可以解决部分拥堵问题。在新建道路的前期也需要对兴建道路的车流量进行一个长期的交通预测，从而对道路的经济效益进行评估，对论证道路修建的可行性研究提供依据。由此可见，对交通流的预测是必要的，在本课题中我对四公里立交车流作一个最优函数估计，旨在对四公里立交的车流进行精确预测。 交通流理论是研究交通随时间和空间变化规律的模型和方法体系。多年来交通流理论有了较快的发展，众多学者在这一研究方向做出了许多优秀的成果，将交通流理论运用于交通运输工程的许多研究领域，如交通规划、交通控制、道路与交通设施设计等。 预测方法从大体上可分为定性预测与定量预测。定性预测中主要有相关类比法、德尔菲法等；定性预测则分为因果分析、趋势分析智能模型。因果分析主要方法有线性回归、非线性回归等模型；趋势分析主要有时间序列模型、趋势回归模型等；智能模型主要包括神经网络模型和非参数回归模型。 短期交通流的预测方法较早期的有：自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、历史平均模型（HA）和Box-Cox法等，随着该领域的发展，预测方法不断趋于精确，在大批学者的共同努力下出现了许多更加复杂、精度更高的预测模型。大体来说可分为两类：一类是以数理统计和微积分等传统的数学方法为基础的预测模型，主要包括：时间序列模型、卡尔曼滤波模型、参数回归模型等；第二类是以现代科学技术和方法（如模拟技术、神经网络、模拟技术）为主要研究手段而形成的短期预测模型，该种方法不追求严格意义上的数学推导和明确的物理意义，更加重视与现实交通流量的拟合接近程度，该种方法主要包括非参数回归模型、KARIMA算法、基于小波理论的方法、谱分析和多种与神经网络相关的复合预测模型等。现阶段广泛应用的主要有以下四种模型。 历史平均模型Stepehanedes于1981年将此方法应用于城市交通控制系统中。其特点有算法简单，参数可用最小二乘法进行估计，操作简单，速度快，但其由于它是一种静态的预测方法，不能反映动态交通流基本的不确定性和非线性性，无法克服随即干扰因素的影响。 时间序列-ARIMA模型由Ahmed和Cook于1979年首次在交通领域提出。在大量连续数据的基础上，此模型没有较好的预测精度，但需要复杂的参数估计，且其对历史数据的依赖性较高，成本较高。该方法技术比较成熟，特别适用于稳定的交通流。该模型只是单纯从时间序列分析的角度进行预测，没有考虑上下游路段之间的流量关系。 神经网络模型人工神经网络诞生于20世纪40年代，Schin 于1992年用之于长期的交通预测，1993年1994年Dougherty 和Clark 分别将其应用于短期交通预测。该方法在一定程度上摆脱了建立精确数学模型的困扰，为研究工作开辟了新的思路。应用较广泛的有BP神经网络-误差反传神经网络模型、单元神经网络模型、基于谱分析的神经网络模型、高阶神经网络模型和模糊神经网络模型等方法 非参数回归模型，由Davis和Smith于1991年应用到交通预测领域，该预测方法是一种适合不确定性、非线性的动态系统的非参数建模方法。无需先验知识，只需足够的历史数据。 鉴于道路交通系统的非线性、复杂性和不确定性等特征，许多无模型的预测方法被应用到短期的交通流预测当中，且取得了良好的效果，研究发现，考虑上下游道路流量的关系的预测方法更能反映实际情况，比起单纯的时间序列预测方法更加贴合实际，有更大的发展空间。
交通流文献综述
1.交通流理论发展及研究现状 交通流理论研究是随着交通运输和汽车工业发展起来的变化规律的模型和方法体系。总结一下交通流理论发展历程之初到现在，可分为以下三个代表性标志阶段:是研究其随时间与空间从上世纪30年代创立。 1）创始阶段 1933年，金蔡首次论述了Poisson分布应用于交通流分析的可能性，随后亚当斯于1936年发表了数值例题，标志着交通流理论的诞生。1947年，格林希尔治等人在有关交叉口的交通分析中采用了Poisson分布[1]，这一时期的交通流理论基本上是概率论方法。 2）快速发展阶段 50年代后，经济复苏以及汽车工业的发展，迅速增加了道路交通流量，交通流中车辆的独立性越来越少;交通现象的随机性随之降低，为适应这些新情况，研究人员不断提出各种新理论，交通流理论得到了飞跃。1955年，著名的流体力学家莱特希尔和惠特汉发表了交通流理论的里程碑著作《论动力波》[2-3]。1956年，理查德独立提出相类似的理论，这就是称之为LWR理论的运动学模型。 LWR模型的优点是数学上只有一个微分方程，易于求解，且能用所得的微分方程解来解释最基本的交通现象;但LWR始终假设交通流速度总是处于平衡态，因而对交通瓶颈不能准确描述，更不能解释交通的时走时停和自组织现象[4]。 3）稳步发展阶段 70年代，世界经济再一次快速增长，交通流理论也得到了很好的发展。1971年，Payne把流体动力学中的动量方程引入交通流中，结合LWR方程，推出了交通流动力学新模型，成为交通流动力学研究史上的另一篇经典著作。[5]Payne 依照跟车理论，进一步将模型方程进行离散化，编写了第一个具有工程实际意义的计算机软件FREFLO程序。[6] 1975年，美国运输研究委员会编写了第一部交通流理论专著《交通流理论》，系统地阐述了这时期的理论研究成果。 1990年，加州大学阿道夫.梅.，又推出了另一部专著《交通流理论基本》，该书包括交通流理论研究的10个方面内容。 到了1996年，美国运输研究委员会在《交通流理论》(75年版)一书基础上联合编写了《交通流理论专论》一书，该书是《交通流理论》的升级，并补充加入了新的内容。 目前，国际上较有影响力的是德国学者Dirk Helbing和Boris S Kerner提出的三相交通流理论，提出了用物理学中相变的思想来研究交通，提出了“畅行相”、“同步相”、“堵塞相”的概念[7-9];我国学者吴正提出了低速混合交通[10]，黄海军、姜锐等人也发展了交通流[11-16]。 总的来说，80年代以来至今，交通流理论研究进展缓慢，本质上仍为沿用50年代的跟驰模型和流体动力学模拟方法，虽在具体细节上有所改进，但总体上未见重大突破，国际上交通流宏观理论虽有发展，但研究水平还有待于进一步提高。在对交通流压缩性理论的收集中发现，在可以查到的文献中，仅有吉林大学王殿海等2009年发表于东南大学学报的《交通流压缩特性研究》[17]一文，文中没有涉及采用交通流实际阻塞密度计算交通流压缩系数、交通波波速的计算方法。 2. 交通流微观模型 微观模型研究单个车辆在相互作用下的个体行为。主要包含跟驰模型和元胞
中国证券市场股票价格预测模型综述
中国证券市场股票价格预测模型综述 王 浩 (洛阳理工学院工程管理系,洛阳 471023)* 摘 要:中国金融市场的证券价格存在着可预测成分。现有的各种统计预测方法基本都可以归纳为时间关系模型和因果关系模型两大类,详细分析了各种模型的实现方法并总结了其特点。 关键词:预测;股票价格;统计模型;综述do:i 10.3969/j .issn .1000-5757.2009.07.058 中图分类号:F830191 文献标志码:A 文章编号:1000-5757(2009)07-0058-03 一、证券市场可预测性 有效市场理论指出,证券价格呈现随机游走特征,因此技术分析和掷骰子选出的股票,最终表现相差无几。大量分析却发现中国股票价格波动具有长期记忆性,拒绝了随机游走假设,即股市涨跌存在自身的规律,无论长期和短期都存在着可预测的成分,因而技术分析是有用的,通过采用 相应策略,投资者可以获得超常利润。[1] 中国证券市场呈 现弱有效性的原因可能在于,作为一个新兴市场,法制、监管等因素造成市场信息传递效率低下,投资者在博弈中存在严重的信息和资金实力不对称,而且这种不对称状态并不能在市场中迅速消除,因此F a m a 所描述的概率上的/瞬时性0还无法达到,而这种市场结构的特点,使得某些/技术分析0成为信息挖掘的成本。 由于股票指数序列呈现高度的非线性,经典计量经济模型和时间序列模型的有效性受到了挑战。现代预测理论和统计学、信息技术、优化算法紧密结合,向复杂化和智能化方向发展。至少目前在我国,各种预测技术方兴未艾,投资者按照自己的经验采用各不相同的指标作为决策依据,在市场上低买高卖,获得了成功,也经历过失败。 二、主要预测模型1.神经网络模型 神经网络是一种大规模并行处理系统,具有良好的自学习能力、抗干扰能力和强大的非线性映射能力,能够从大量历史数据中进行聚类和学习,自动提取样本隐含的特征和规则,进而找到某些行为变化规律,可以实现任何复杂的因果关系。BP (反向传播)和RBF (径向基函数)神经网络是最常见的股市预测模型。崔建福等发现BP 模型普遍显著优于 GARCH (广义自回归条件异方差)模型,从而认为对股票价格这样波动频繁的时间序列,从非线性系统角度建模略胜于 从非平稳时间序列角度建模。[2] 由于传统算法收敛速度慢且 全局寻优能力差,更多研究将精力放在对神经网络结构和参数的改进上。丁雪梅等发现改进后BP 算法的预测结果比 回归预测、指数平滑预测和灰色预测都要好。 [3]神经网络预测方法的应用有两个明显特点。一方面,统计模式识别和数字信号处理等领域的特征选择和提取方法,如小波包最优分解方法、混沌吸引子理论、K a l m an 滤波算法、主成分分析、灰色系统理论,广泛用于神经网络输入参数的甄别。另一方面,新的网络模型不断被应用于证券预测实践以提高映射效率,如模糊神经网络和小波神经网络。预测结果明显优于普通神经网络模型。 神经网络的缺陷在于,网络结构只能事先指定或应用启发式算法在训练过程中寻找,需要在充分了解待解决问题的基础上,主要依靠个人经验来确定,没有统一的规范,往往需要通过反复改进和试验,最终才能选出一个相对较好的设计方案,并且网络训练过程易陷入局部极小点。不过,神经网络最致命缺点在于,无法表达和分析预测系统的输入输出之间的关系,难以解释系统输出结果。 2.灰色系统和随机过程模型 灰色预测普遍采用灰色系统模型,经由累加过程削弱原始数据的随机干扰,突出系统所蕴涵的内在规律,然后建立动态预测模型。马尔可夫过程是无后效性的随机过程,是一种应用极为广泛的传统方法。灰色系统GM (1,1)模型的解为指数型曲线,几何图形较为平滑,比较适用于具有增长趋势的问题,而对随机性波动较大的数据进行预测,会 58 第25卷 第7期V o.l 25 四川教育学院学报 J OURNAL OF S I CHUAN C O LLEG E OF EDU CAT I ON 2009年7月 Ju.l 2009 * 收稿日期:2009-02-23 作者简介:王浩(1973)),男,河南西峡人,副教授,硕士,研究方向:区域经济发展理论与数量分析。
高速公路的交通流模型
高速公路的交通流模型 评估各条高速路段最大流量 在研究车辆沿高速路行驶时，我们需要研究高速路车辆流与那些因素有关从而建立一个高速公路交通流模型，这里我们根据高速路上车流的速度V和单车道车流密度K对其车流量进行估计。 我们知道，一般高速公路单方向上分多个车道，设车道数为 这里我们假设各车道之间无差异，各自独立行车，不存在相互超车，越道情况。根据各变量的定义，可知 （1） 在实践中，可以经常看到：当道路的车辆增多时、车流密度增大，驾驶员被迫降低车速。当车流密度由大变小时，车速又会增加。这说明车速和密度之间有一定关系，并且车速随车流密度呈递减关系。一种最简单的假设是车速随车流密度呈线性递减关系。即有 dV 其中c0为正常数（2）， dK 考虑到实际随着车流密度K的增加，速度V的减小速率应该增加。因此将上述模型修正为 dV （3） dK 易知此模型为二次函数模型。 当车流密度为零，即时，速度V可达理论最高值，即所谓的畅行速度Vf。从而 （4） 当车流密度K达到阻塞密度Kj时，速度，公路处于阻塞状态。即
（5） 根据式（3）（4）（5）可得 K Kj 结合（1）有 K2 )], （7） Kj 这就是我们得到的高速公路车辆流模型，该模型反映的是车流与车速和密度三者之间的关系，下面我们将据此分析实际高速路的车辆流变化以及其所能承受的最大流量。为了更直观的了解该函数的特性，以下画出上述2个函数图像。 速度V和流量Φ关于密度K关系图 1200 1000 800 速度V 流量Φ 600 400 200 510152025 车辆密度K 图1：基于上述模型得到函数V 和Φ 关于K的函数大致图像
TransCAD四阶段法交通流分配
建小区，填属性，画小区，填小区属性数据， 建路网，填属性，画路网，填路网属性数据， 进入小区层建立联系:在小区层tools-map editing-connect点OK。(作用：将路的节点与形心联系起来) 补全路网数据。 建立距离矩阵：在小区层tools-geographic analysis-distance matrix点OK起名保存 期望线：在小区层tools-geographic analysis-desire lines起名后点OK 建立网络将所的联系起来：networks/paths-create将other link fields和other node fields中的全部选中。起名后保存。 用重力模型生成OD分布矩阵：在小区层planning-tripdistribution-grarity application在datdview栏选小区层，productions选生成量attractions 选吸引量，constraint type选doubly双重力模型点OK保存。 选点层数据加属性：dataview-modify table点addfield加属性起名后点OK。将小区号填到对应的点好后面。然后点tools下的selection将填上小区号的行选中。 将OD矩阵的小区行列号ID转换成为小区质心节点行列号ID 在交通分布matrix中右键Indices→Add indices 出现对话框：
点击Add Index，完成以下设置 point点层index点层数据中新增的属性点击OK，再次回到索引对话框，选择新索引即可。 将rowids改为new行列号转换完成。
交通预测模型【对各种交通流预测模型的简要分析】
交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。
几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然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，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，
动态交通流分配浅析
动态交通流分配浅析 摘要：实现交通分配理论的交通分配模型可分为两大类：静态交通分配模型和动态交通分配模型，它们都有各自的优缺点。静态交通分配模型假设交通需求和路段行程时间为常数或仅依赖于本路段上的交通流量，这对于交通量比较平稳、路段行驶时间受交通负荷影响较小的城市间长距离非拥挤的城市交通特性分析和路网规划是比较可行的。而对于存在拥挤现象的城市交通网络,交通需求在一天之中变化甚大。使得网络交通流的时空分布规律具有时变特性，从而导致路段行驶时间大大依赖于交通负荷的变化。因此，在城市交通控制与管理中更需要考察路网中，交通流状态随空间与时间的演化过程，针对可能出现的拥挤和阻塞及时采取有效措施．确保城市交通系统平稳、高效地运行。动态交通分配考虑了交通需求随时间变化和出行费用随交通负荷变化的特性，能够给出瞬间的交通流分布状态。 关键词：动态交通流分配定义现状意义存在问题 The shallow analysis of Dynamic Traffic Assignment Abstract: the traffic assignment model of Traffic assignment theory can be divided into two categories: static and dynamic traffic assignment model for traffic assignment models, both of which have their own advantages and disadvantages. Static traffic assignment models assuming that traffic demand and link travel time is constant or only dependent on the traffic flow on this road, which is relatively stable for the traffic, roads and the traffic load less affected by the time the inter-city long distance non-urban traffic congestion characterization and network planning is more feasible. However, for there is congestion in the urban transport network., changes in traffic demand in the day are great, which makes the network traffic flow varies with time-varying spatial and temporal distribution of properties, resulting in roads and the time relied heavily on the traffic load changes. Thus, in urban traffic control and management of road, it is more significant to examine how traffic flow varies with space and tempo while studying the road network, and thus timely and effective measures can be taking for the congestion and obstruction., and that ensure that urban transport system operate smoothly and effectively. Dynamic traffic assignment included traffic demand changes over time and travel costs with the changing nature of traffic load, moreover, it can give an instant flow of traffic distribution. Key words: dynamic traffic assignment, definition, status quo, meaning, problems ·0引言 动态交通分配的这种功能使其在城市交通流诱导系统及智能运输系统的研究中具有举足轻重的作用。因而，研究动态交通分配理论．并将其应用于交通控制与管理是十分必要的。同时，动态交通分配为交通流管理与控制动态路径诱导等提供了依据，也是智能交通系统的重要理论基础。
交通流元胞自动机模型综述
第23卷 第1期2006年1月 公 路 交 通 科 技 Journal of Highway and Transportation Research and Development Vol .23 No .1 Jan .2006 文章编号:1002-0268(2006)01-0110-05 收稿日期:2004-09-27 作者简介:郑英力(1971-),女,福建宁德人,讲师,研究方向为交通控制与仿真.(z hengyl71@s ina .com ) 交通流元胞自动机模型综述 郑英力,翟润平,马社强 (中国人民公安大学 交通管理工程系,北京 102623) 摘要:随着交通流模拟的需要及智能交通系统的发展,出现了基于元胞自动机理论的交通流模型。交通流元胞自动机模型由一系列车辆运动应遵守的运动规则和交通规则组成,并且包含驾驶行为、外界干扰等随机变化规则。文章介绍了交通流元胞自动机模型的产生与发展,总结和评述了国内外各种元胞自动机模型,并对元胞自动机模型的发展提出展望。 关键词:元胞自动机;交通流;微观模拟;模型中图分类号:U491.1+23 文献标识码:A Survey of Cellular Automata Model of Traffic Flow ZH ENG Ying -li ,ZH AI Run -p ing ,MA She -q iang (Department of Traffic Management Engineering ,Chinese People 's Public Security University ,Beijing 102623,China )Abstract :With the increas ing demand of traffic flow si mulation and the development of ITS research ,the traffic flow model based on cellular automata has been developed .Cellular automata model of traffic flow incorporates a series of vehicle movement rules and traffic regulations .Meanwhile ,the model works under some stochastic rules takin g into consideration of drivers 'behaviors and ambient interfer -ences .This paper introduces the establishment and development of cellular automata model of traffic flow ,su mmarizes and comments on different kinds of typical cellular automata models of traffic flow ,and furthermore ,presents a new perspective for further stud y of the model . Key words :Cellular automata ;Traffic flow ;Microscopic simulation ;Model 0 引言 交通流理论是运用物理学和数学定律来描述交通特性的理论。经典的交通流模型主要有概率统计模 型、车辆跟驰模型、流体动力学模型、车辆排队模型等 [1] 。20世纪90年代,随着交通流模拟的需要及智 能交通系统的发展,人们开始尝试将物理学中的元胞自动机(Cellular Automata ,简称CA )理论应用到交通领域,出现了交通流元胞自动机模型。 交通流C A 模型的主要优点是:(1)模型简单,特别易于在计算机上实现。在建立模型时,将路段分 为若干个长度为L 的元胞,一个元胞对应一辆或几辆汽车,或是几个元胞对应一辆汽车,每个元胞的状态或空或是其容纳车辆的速度,每辆车都同时按照所建立的规则运动。这些规则由车辆运动应遵守的运动规则和交通规则组成,并且包含驾驶行为、外界干扰等随机变化规则。(2)能够再现各种复杂的交通现象,反映交通流特性。在模拟过程中人们通过考察元胞状态的变化,不仅可以得到每一辆车在任意时刻的速度、位移以及车头时距等参数,描述交通流的微观特性,还可以得到平均速度、密度、流量等参数,呈现交通流的宏观特性。
城市道路交通流预测
城市道路交通流预测 1交通流预测方法历程 在交通预测方法方面，上世纪60年代，国外就开始研究交通流预测模型，并逐渐将这些模型应用于短时交通流预测。早期的预测方法主要有时间序列法，自回归滑动平均模型(ARMA)、卡尔曼滤波预测模型等等。这些预测模型主要为线性模型，其考虑因素都较为简单，一般都用最小二乘法(LS)在线估计参数，利用历史数据线性变化趋势预测交通流参数。早期的方法具有计算简便，易于数据实时更新，便于数据量和规模较小的条件下应用的优点；但是由于这些模型不能体现交通流的非线性和随机性，很难克服随机因素对交通流量的干扰，所以随着预测时间隔的缩短，随机因素的作用也增强了，这些模型的预测精度和实时性也就变得达不到预期的效果。 伴随着交通流量预测研究的深入进行，学者们又提出了很多更复杂的、更高精度的预测方法和模型。从表现形式上大体可分成三类：第一类是早期以数理统计等传统数学方法为基础的线性预测模型；一类是以现代控制理论和科学技术(如模拟技术、神经网络、模糊控制)为主要方法和手段而形成的非线性预测模型，他们的特点是不需要精确的物理模型，在一定应用范围内却具有良好的鲁棒性、精确度；第三类主要是前两者的组合应用，第三类方法综合了的特性，克服前两者他们的缺点，使得前两者的优点互补，从而达到很好的预测效果。这类方法建模过程较为复杂，但为短时交通流预测研究开辟了新的路径，也是将来短时交通流预测方法的发展方向。 早在1994 年Hobeika, A. G 和Chang Kyun Kim 在文献中提出了根据截面历史数据、实时数据和上游交通流数据进行短时交通流预测。Brian L. Smith 和Miehael J. Demetsky(1997)在文献中对历史平均预测模型、时间序列预测模型、神经网络预测模型和非参数回归预测模型四种交通流预测模型进行了比较，结果非参数回归模型以其模型简单，精度高成为了小样本预测中最佳的
公路交通拥堵现象的建模与分析
龙源期刊网 https://www.wendangku.net/doc/b810035626.html, 公路交通拥堵现象的建模与分析 作者：陆睿得 来源：《科学家》2017年第11期 摘要公路交通的便利程度直接影响着社会经济的发展步伐，随着我国汽车保有量的增加，道路交通的拥堵问题日益严重。通过对交通拥堵现象的观察，本文对该问题进行了理论建模。相对于经典的模型，该理论模型的计算结果更加符合人们的日常经验。此外，我们还分析了车祸等因素对交通的影响，并根据计算结果提出了几种解决拥堵现象的可能方案。 关键词道路；拥堵；车流量；车祸 中图分类号 U4 文献标识码 A 文章编号 2095-6363（2017）11-0023-02 “要致富，先修路”的顺口溜说明了一个朴素的道理：公路交通的便利可以降低运输成本，促进不同地区之间的合作交流，吸引外来投资，并促进社会经济健康发展。近些年来，国家对于公路建设的重视程度不断提高，在高速公路建设方面尤为突出，比如，2016年全国新增高 速公路里程达到4 500千米，相当于北京到上海距离的3.7倍。 伴随着城市化进程的加快，城市人口的暴增引发了严重的交通问题。资料显示，我国市区的汽车行驶平均速度已经从60年代的25km/h～30km/h下降到了现在的10km/h～15km/h[1]。交通的拥堵不仅增加了人们出行的成本，制约了社会发展的步伐，降低了道路建设的效用，更带来了巨额的经济损失。只有深刻理解道路拥堵问题产生的原因，我们才能对症下药，提出合理的解决对策。因此，建立有效描述道路拥堵现象的理论模型是非常必要的。 通过观察车辆在道路上的运行规律，本文建立了道路拥堵的理论模型，并用该模型的结果与前人的经典理论进行了比对。基于本文的理论模型，还进一步分析了影响车流量的因素，提出了几种降低道路拥堵的可能方案。 1 拥堵现象的理论建模 为了描述道路拥堵现象，我们需要考虑总车流量Q，平均车流速度v和车流密度K这几个量之间的关系。根据车流现象的物理过程，我们有： （1） 当道路拥堵（即车流密度较大）时，车流速度v较慢；反之当道路车辆较少（即车流密度较小）时，车速较快。描述该现象的一个经典理论模型为Greenshield模型[2-3]，它假设车流密度K与车流速度v之间存在线性关系，且当道路上车流密度K最大时，车行速度v为0。如图 1（a）所示，该关系可写为：
交通流预测模型综述
交通流预测模型综述 摘要： 随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。为了缓解交通压力，交通专家也提出了各种不同的方法。在交通网络越来越复杂的今天，交通流预测在智能交通系统中是个热门的研究领域，因为正确的交通流预测，可以进行实时交通信号控制，交通分配、路径诱导、自动导航，事故检测等。本文从交通流短期预测模型出发，分析常见预测模型的优缺点，得出综合模型进行预测将是交通流预测领域的发展趋势。 关键字：交通流预测，智能交通系统，综合模型 Traffic flow predictive models review Abstract: With the development of society, traffic accidents, traffic jams, environmental pollution and energy consumption problems become more and more serious. In order to alleviate traffic pressure, traffic experts also puts forward all kinds of different methods. In the traffic network is more and more complex today, traffic flow predictive in intelligent transportation system is a hot research fields, because the correct traffic flow predictive, can real-time traffic signal control, traffic distribution, route guidance, automatic navigation, accident detection, etc. This article from short-term prediction model of traffic flow, analyzes the advantages and disadvantages of common prediction model, it is concluded that predict comprehensive model will be traffic flow predictive areas of development trend. Keywords:Traffic flow predictive, Intelligent transportation system, integrated model 引言 目前，有关交通流预测方面的研究已取得大量的成果，建立了多种实时交通量预测的方法，其预测精度也达到了较高水平。本文先是通过研究分析不同交通流短期预测模型的优缺点，然后对具有优势的基于神经网络的综合模型进行模型的构建。 一、交通流预测概述 （一）交通流预测的必要性 随着人们生活水平的提高，私家车的数量、人们出行的次数等越来越多，使得交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。很多城市也陷入了“拥有最宽阔的马路，也拥有最宽阔的…停车场?”的困境，严重影响了城市的运转效率，客观上阻碍了社会、经济的快速发展。多年来，世界各国的城市交通专家提出各种不同的方法，试图通过先进的智能交通手段来缓解交通拥堵问题。而实现这些系统或方法的关键，不仅要有实时的道路检测数据，更重要的是，要获得实时、可靠、准确的预测信息。再利用动态路径诱导和交通信息系统为出行者提供实时有效的道路信息，实现动态路径诱导，达到节约出行者旅行时间，缓解道路拥堵，减少污染、节省能源等的目的。因此，准确、可靠的交通预测信息是动态路径诱导系统的基础和关键。