基于神经网络的英国高速公路网短时交通量预测外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

基于神经网络的英国高速公路网短时交通量预测

摘要

能够可靠地预测短期内的交通状况（未来15分钟），可能会减少运输系统的拥挤。 随着大数据集的出现，有机会对模式识别技术的有效性进行测试，以解决复杂的非线性问题，例如要讨论的问题。

本文介绍了应用人工智能，特别是人工神经网络（ANN），根据当前/历史交通信息估算未来15分钟的交通状况的结果。 在这项研究里，来自英国高速公路事件检测和自动信号（MIDAS）系统的英国曼彻斯特附近的M60，M62和M602高速公路大约20公里的数据被用于构建短期预测模型。 为了降低问题的复杂性，使用自动编码器成功减少了模型的输入维数。 最终的模型表现出非常好的预测能力，其中90％预测值与观察值误差都在2.6 车/ km /车道内。

本研究采用的方法可以照搬到安装了MIDAS的英国高速公路网的其他部分，一旦接受过训练，ANN的应用就很简单。 诸如所导出的算法具有多个应用，包括：精简智能传输系统（ITS）中的预测和/或使交通控制者能够采取主动决策来减轻预期拥塞的影响。 这也可能是“交通施法”制度背后的引擎，可以向公众提供预期的交通状况预测。 这可能导致交通运输系统的拥堵减少，因为获取更准确的信息可能会鼓励用户的有益行为变化。

关键词：人工智能；短期预测；神经网络

第1章 绪论

在短期内预测交通状况的能力有潜力通过允许决策主动地改变交通状况从而改善交通管理，而不是被动地应对。 本文探讨了机器学习技术的应用，特别是神经网络的应用，来预测英国高速公路网络部分路段未来15分钟的交通状况。 本文首先讨论了研究的潜在应用，提供了所使用的机器学习技术的概述和以前的相关研究的文献综述（第2节）； 然后概述所采取的技术方法（第3节），收集和处理的数据（第4节），并报告和讨论结果（第5节）； 最后，得出结论（第6节），并确定了本研究产生的一些未来研究机会（第7节）。

第2章 背景

2.1 潜在应用

短期流量预测具有多个实际应用，可用于更好地管理运输系统的拥堵。例如，一些智能交通系统（ITS），系统对当前的交通状况做出反应，并采取措施来减轻拥堵的影响。其中包括繁忙的高速公路和城市交通控制系统的变速限制，有助于控制复杂城市环境中的交通。用于管理流量的ITS系统将受益于能够通过使用更好的短期预测来预测拥塞的发生（即，如果系统知道在不久的将来会出现拥塞，则可以采取主动措施来帮助减轻预期拥塞的影响）。到2020年，ITS全球市场预计将增长至330亿美元以上（2015年智能交通系统市场）。在英国，诸如伦敦交通局等地方当局认识到准确的短期预测以及它们与ITS的集成的价值，因为它采用了一种预测信号系统来调整交通信号时序以应对交通状况的短期预测（2015年短期交通量预测帮助了伦敦交通局解决了首都的堵塞问题）。另外在英国，“道路投资策略”及其他计划中概述了152亿英镑的用途，其中还包括继续推出智能高速公路，使用ITS来帮助管理英国高速公路网络的交通流量（交通部，2014）。

除了通过ITS改进自动流量管理的潜力外，交通管制员可以使用更好的短期预测来对网络管理做出主动决策。这可能是通过拥塞预警允许控制者有更多的时间评估不同的缓解策略， 而不是在拥塞发生后进行反应性决策。进一步的延伸可能是以“交通投射”的形式使预测对公众可见。这可能会使用运输系统受益，因为它可以允许用户通过重新路由或重新定时他们的行程来优化他们的旅行安排（取决于未来“交通投射”预测的时间长度）。

2.2 神经网络

作为本研究的一部分开发的预测模型采用人造神经网络的形式。人工神经网络是一种受生物神经网络启发的学习模式。它们可以用于估计或近似可以依赖于大量输入的功能，并且通常是未知的。人造神经网络通常被呈现为在彼此之间交换消息的互连“神经元”的系统。连接具有可以根据经验进行调整的数字权重，使神经网络适应于输入并能够学习。关于神经网络的更多信息可以在许多出版物中容易获得。这种出版物包括Stergiou和Siganos（Stergiou和Siganos，n.d.）。

2.3 先前研究

试图在短期内预测交通状况并不新鲜。许多研究使用统计技术，使用经验数据进行这种预测。 郑等人（2006）报道以前使用统计模型的研究包括使用多变量时间序列的研究（Ahmed 和Cook，1979；Hamed等人，1995; Williams等人，1998），卡尔曼滤波法（Okutaniand Stephanedes，1984）和非参数回归模型（Davis和Nihan，1991; Smith等人，2002）。事实上，神经网络也被用于预测交通状况（Smith 和Demetsky，1994; 张等人，1997; Dougherty和Kirby，1998; Park等人，1998）。最近Hodge等人使用二进制神经网络来预测英国三个城市的交通状况（Hodge等人，2014）。这项研究的结果显示出希望，并将开发的系统纳入智能决策支持（IDS）系统，以测试英国伦敦、肯特和约克的现实数据。Kumar等人在非城市高速公路上使用神经网络进行交通状况（Kumar等人，2013）。 这项研究开发了一个具有单一输出的神经网络，它从输入中预测了单个站点的交通量，输入描述了过去45分钟内该站点的19个不同特征。 记录表格包括星期几、时间、车辆类别的交通流量、车辆类别的平均速度和总体交通密度等内容。 这样的预测方法产生了可观的结果，未来15分钟的交通流预测值和观测值呈现了很好的拟合效果。

对于城际高速公路应用，郑等人联合服务器并应用单神经网络形成贝叶斯组合神经网络（BCNN），以预测新加坡高速公路的交通流量（Zheng等人，2006）。 Zheng等人不是使用单个站点的数据来预测同一站点的交通状况，而是还使用来自上游检测器的数据来通知交通状况。 然而，这种方法对于多达两个上游检测器的站点来说是有限的。

第3章 方法

3.1 独创性

从所进行的文献研究中发现使用神经网络预测交通状况本身不是新颖的。然而，以前的研究似乎主要是通过使用单个神经网络来预测单个地理位置或沿线有限数量的站点的交通状况。此外，在远离特定交通检测器的站点的交通状况的影响是有限的。 这些现有模型中的一些还使用时间信息，例如用每天的时间信息来预测未来状况，这可能意味着预测由经常性拥塞的典型每日状况驱动，并且可能难以适应在每天状况不典型时预测交通状况。因此，本研究采用的方法主要集中在以下主要方面：

1）广泛地理区域的短期预测使用来自该研究区域所有检测器的交通信息

2）预测是与时间无关的，即预测将由来自所选研究区域内所有检测器的前一时间间隔的交通状况的“模式”驱动，而不是将特定时间作为解释变量。

这里的假设是，单一地点的交通状况受到附近其他地方交通状况的影响。 另外，通过预测独立于时间信息的条件，推测出这样的预测模型比使用诸如当日时间的时间信息的预测模型更适应于临时交通状况。

3.2 方法

理想情况下，为此研究构建的神经网络的架构将具有多个输入节点。基本上，每个输入节点将表示在所选择的地理区域内的检测器处的先前时间间隔内通知交通状况的度量。交通状况指标的数量可以包括流量和流量的速度（如果可用）。 输出的数量将是每个交通站点每个车道的预计交通状况。

在广泛的地理区域，这可以导致许多输入和输出节点。例如，如果选择的区域有50个站点报告三个通道的流量和速度，并且需要使用来自三个前一时间段的交通状况来解释预测的神经网络，则这将导致900个输入节点和300个输出节点 （输入节点三分之一，因为在这个模型中使用了三个以前的时间间隔的数据）。 这么大的网络存在一些问题：

1）神经网络可以花时间学习输入神经元之间的依赖关系，而不是输入和输出之间的关系，即相关输入在模型中创建冗余（May et al，2011）;

2）大型神经网络在计算上运行成本高昂。例如，对于添加到完全连接的单层神经网络的隐藏层的每个隐藏节点，连接向量的数量增加了In On，其中In是输入节点的数量，On是输出节点的数量;

3）在实际应用中，交通流量和车道速度等分类信息的数据集的完整性和可靠性并不总是可行的。 为了克服上述问题，使用了输入和输出数据的三阶段压缩过程：

（1）车道数据汇总（平均速度和总交通量）;

（2）使用流量密度（流量除以流量速度）来指示流量条件，消除流量与流量速度指标之间存在的潜在冗余;

（3）使用自动编码器缩小尺寸。

压缩的前两个阶段是微不足道的。第三阶段稍重要，使用自动编码器来减小输入集的尺寸。自动编码器是一种神经网络的形式，其尝试使用具有比输入集更少的节点的一个或多个隐藏层来重构其输入。一旦找到了允许将输入数据复制到可接受的精度水平的自动编码器架构，来自具有最少节点的隐藏层的隐藏节点值可以被用作神经网络模型的输入。训练完毕后，神经网络的输出可以使用自动编码器的前端进行解压缩。

第4章 数据收集和处理

4.1 概述

本研究中使用的数据已从英国高速公路事件检测和自动信号（MIDAS）系统中提取。该系统安装在英国高速公路网络上，包括交通传感器，主要是每个车道的感应回路，安装间隔约500米。交通流量和速度数据由用于监视网络的感应回路记录，以通过使用可变消息符号（即在一些位置中设置变速限制）来协助手动或自动流量管理。在MIDAS系统的广泛覆盖范围内，选择了该数据集，该系统为广泛的地理区域提供了交通状况的详细描述。

4.2 研究区域

本研究使用了沿曼彻斯特附近的M60，M62和M602高速公路大约20公里收集的交通数据。具体来说，使用由M60的连接点8和15，M602的连接点3和M62的连接点11连接限定的高速公路网络。 图1显示了研究区域和该研究区域内交通检测器的位置。

图1 研究区域

选择的区域包括102个流量检测器，每分钟记录一次车流量和速度。该地区被选中，是因为它位于曼彻斯特附近，靠近英国最大的零售店之一的特拉福德中心，这是一个非常繁忙的网络。

4.3 数据处理

2014年每天的交通数据是从研究区域内的102个检测器的MIDAS数据库中提取出来的。然而，数据库不完整，并且由于间歇时间发生的检测器故障而包含一些丢失的数据。因此，为了处理数据，开发了分阶段的方法，总结在表1中。

表1 数据处理方法

一旦传感器的缺失数据超过10%即被排除在数据库之外，只有2.9％的剩余记录根据部分观察在15分钟内扩展。其中记录扩大了73％和99％的，分别为1.5分以下，2.0分以下。

对于数据处理任务中的第1至第4阶段，数据库中记录总数的总结统计数据以及缺失、扩展和填充的百分比在表2中提供。

表2 数据库总结统计表

lt;

全文共8981字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[144205]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 基于换乘网络的公交接驳线网优化外文翻译资料
• 公路综合运输系统设计与开发研究外文翻译资料
• 然而，由于问题的复杂性，他们的模型只能由启发式解决方法，得到次优解。外文翻译资料
• 安吉川达集装箱码头后方堆场布局仿真优化设计外文翻译资料
• 3.1 基于EPQ模型无缺货延迟策略分析外文翻译资料
• 三峡库区船舶交通流分析及预测外文翻译资料
• O.R.运输规划在货运代理公司的创新应用tabu搜索算法的综合业务运输规划问题外文翻译资料
• 应急物流规划的稳定优化:人道主义救援供应链中的风险缓解外文翻译资料
• 一种预测和估计城市网络交通需求的组合方法外文翻译资料
• 基于GIS和数据包络分析的考虑社会优先级的城市公交路线运输系统效率评估的多模态数据建模外文翻译资料