摘 要

交叉口车流到达分布是自适应信号控制系统的重要输入部分，基于历史数据的传统车队离散模型所预测出的到达分布不能很好地反映出交通流的动态特征，而随着大数据时代的到来，车辆的信息（车牌号，行程时间，行程车速等）变得易于获取，这为构建出动态的车队离散模型提供了新的机遇，该模型能反映出交通流的动态特征，其成果可用于交叉口的自适应信号配时。

本文在现有的动态车队离散模型的基础上，结合车队离散影响因素提高其输入部分—行程时间分布的预测精度，从而提高车流到达分布的预测精度，达到优化模型的目的，再通过实例进行分析比较，验证优化后模型的预测结果和预测精度。实验结果表明，优化后的动态车队离散模型相较于原有的动态车队离散模型而言，预测结果更接近于实测数据，其中正态分布下模型预测精度提高16.9982%，截断正态分布下模型预测精度提高12.2163%。

关键词：城市交叉口; 动态交通流; 离散特性; 短时预测; 动态车队离散模型优化

Abstract

The arrival distribution of traffic flow at intersections is an important input part of adaptive signal control system. The arrival distribution predicted by the traditional fleet discrete model based on historical data cannot well reflect the dynamic characteristics of traffic flow. With the arrival of the era of big data, the information of vehicles (license plate number, travel time, travel speed, etc.) becomes easy to obtain, which makes the construction of dynamic. The discrete fleet model provides a new opportunity, which can reflect the dynamic characteristics of traffic flow, and its results can be used for adaptive signal timing at intersections.

On the basis of the existing Dynamic Fleet discrete model, this paper improves the prediction accuracy of the input part-travel time distribution combined with the factors affecting the fleet discrete, so as to improve the prediction accuracy of the arrival distribution of traffic flow and achieve the purpose of optimizing the model. Then, through the analysis and comparison of examples, the prediction results and prediction accuracy of the optimized model are verified. The experimental results show that the Optimized Dynamic Fleet discrete model is closer to the measured data than the original Dynamic Fleet discrete model. The prediction accuracy of the model under normal distribution is 16.9982%, and that of the model under truncated normal distribution is 12.2163%.

Keywords: urban intersection; dynamic traffic flow; discrete characteristics; short-term prediction; dynamic platoon dispersion model optimization

目录

第一章 绪论 1

1.1研究背景 1

1.2研究目的及意义 2

1.2.1研究目的 2

1.2.2研究意义 2

1.3国内外研究现状 3

1.3.1车队离散模型 3

1.4研究内容及方法 4

1.4.1研究目标 4

1.4.2研究内容 5

1.4.3研究方法 5

1.4.4技术路线 6

第二章 车队离散特性研究 6

2.1经典离散模型 8

2.1.1 Pacey 模型 8

2.1.2 Robertson 模型 9

2.2车队离散规律及其影响因素 11

2.3本章小结 12

第三章 交通调查及数据分析 14

3.1交通调查 14

3.1.1调查对象 14

3.1.2调查内容 15

3.1.3调查时间 16

3.1.4调查方法 17

3.2数据分析 17

3.2.1 数据特征 17

3.2.1 分布拟合 20

3.3本章小结 22

第四章 动态车队离散模型 23

4.1静态Robertson离散模型 23

4.2动态Robertson离散模型 24

4.3优化动态Robertson离散模型的提出 25

4.4动态交通流预测方法 26

4.5小结 29

第五章 模型精度对比分析 30

5.1模型精度指标 30

5.2基于matlab的模型分析平台搭建 30

5.3预测结果 31

5.4模型比较分析 33

5.4本章小结 33

第六章 总结与展望 34

6.1主要成果 34

6.2创新之处 34

6.3展望与不足 34

参考文献 35

致 谢 37

第一章 绪论

1.1研究背景

近年来，随着科学技术及互联网的发展，我们迎来了大数据时代，同时也为采集到更全面的交通信息创造了可能。经过路侧装置和车载装置以及控制中心之间的信息置换之后，我们不仅能收集到车辆的实时位置、速度以及加速度等信息，还能获取到车辆的行程时间和行程车速，因此，在大数据时代下，可以实现车流数据采集的及时性和准确性，城市交通问题的解决也迎来了新的曙光，同时，也对车辆到达预测模型提出了更高的要求和挑战。

随着我国城市化的高速发展，国民的出行需求不断提高，城市的交通问题也不断突出，城市交通系统的运营能力以及运行效率急需提高，城市交通控制系统在准确度上也有了更高的要求。城市交叉口车辆到达预测模型是交叉口自适应信号控制系统中必不可少的一部分，在自适应信号控制系统的信号配时优化中，下游交叉口车辆到达分布是重要输入部分，故而车辆到达预测的精度直接影响到自适应控制的效果，而车队离散模型作为车辆到达分布预测模型中的一种，广泛应用于诸如SCOOT、TRANSYT、TRAFLO等信号配时优化软件及自适应控制系统中。