城市快速路多元边际价值交通状态识别及预测研究

作     者：温福兰 

作者单位：重庆交通大学 

学位级别：硕士

导师姓名：韩直;李淑庆

授予年度：2024年

学科分类：08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：交通状态识别 交通流预测 多元边际价值 城市快速路 超参数优化 

摘      要：为丰富交通状态判断类别,解决城市快速路交通面临的安全与拥堵问题,提升交通状态识别决策的科学性。本文探讨了城市快速路交通安全与畅通问题的影响因素,进而提出了多元边际价值交通状态的概念。基于这一概念,构建了城市快速路交通安全价值、畅通价值以及多元边际价值函数模型,旨在全面评估交通状态的综合价值。建立了基于粒子群优化(PSO)与极度梯度提升树(XGBoost)相结合的交通状态识别模型,以及基于时空径向基函数(RBF)神经网络的交通流混沌预测模型,为交通状态的精确识别与预测提供了坚实的理论支撑。 本研究首先通过选取十二个关键安全指标,并应用层次分析法构建了城市快速路交通安全价值函数模型。同时,选取交通流量、实时平均速度和时间占有率三个参数,借助模糊逻辑方法建立了交通畅通价值函数模型。随后聚焦于安全指数与畅通指数之间的内在联系,通过构建多元边际价值回归函数模型,深入揭示了二者之间存在的倒“U型关系。为了进一步细化交通状态的划分,运用K-Means聚类分析,有效量化了城市快速路交通的多元价值状态。 在实现对交通状态精确识别方面,本文提出了基于粒子群优化算法的XGBoost模型。这一模型充分发挥了粒子群优化算法和XGBoost模型的各自优势,不仅继承了XGBoost模型强大的分类能力,还通过粒子群优化算法进一步提升了模型的性能。经过实例验证,PSO-XGBoost模型在识别交通状态方面展现出了卓越的性能,相较于其他识别模型具有显著优势。为实现交通状态的预测,提出了基于梯度下降算法优化的RBF神经网络模型,专门用于混沌交通流时间序列的预测。该模型通过优化权重参数,实现了对交通流量、实时平均速度和时间占有率的精准预测。将预测数据输入到PSO-XGBoost模型中,进一步获得了预测的交通状态,为交通管理决策提供了有力支持。 实例分析表明,STRBF-NN模型在交通流预测方面具有较高的精度,与PSOXGBoost模型结合使用,能够实现城市快速路交通状态的高精度预测。综上所述,本研究通过构建多元边际价值函数模型和优化交通状态识别算法,实现了对城市快速路交通状态的精确识别和预测。研究成果对于提升城市道路交通管理水平、缓解交通拥堵问题具有重要意义,并为未来城市交通控制管理提供了有力的理论支持和技术手段。