文献检索课程结课论文讲解.docVIP

《文献检索和数据库利用》结课论文 题目：短时行程时间预测综述 姓 名： 学 院： 专 业： 学 号： 联系方式： 指导教师： 摘要 日益增多的机动车数和严峻的交通拥堵促使智能交通的发展，智能交通系统中的重要的一项基本功能是交通参数的预测，如行程时间的预测。行程时间预测的准确性直接关系到出行者的路径选择，进而影响选择路段的交通运行状况。行程时间的预测是实现先进的交通管理系统（ATMS）、先进的交通信息系统（ATIS）的前提，对智能交通（ITS）的发展起着重要的作用。本文主要工作是阐述和总结近几十年来人们在行程时间预测方法上的研究结果，对研究结果进行纵向时间顺序和横向研究方法的比较，在此基础上总结研究趋势，针对现有研究方法的不足和行程时间本身的多模式特性，提出自己有关行程时间预测方法的观点，并提出基于动态张量填充的行程时间预测框架。 第一章 前言 随着经济的发展，人们生活水平的提高，机动车使用量也日益增加，这加剧了交通拥堵，交通拥堵在导致出行者时间和金钱花费增加的同时，还加剧了环境污染，影响了整个城市交通的正常运行。拥堵收费等政策性措施已经不能从根源上解决交通拥堵问题。基于拥堵等交通问题重重出现，集先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术为一体，旨在缓解交通阻塞提高路网通过能力减轻环境污染减少交通事故降低能源消耗 行程时间预测的重要性在许多有关交通运输的文章里都有被提及；随着交通发展中“以人为本”的思想逐渐盛行，一套不仅可用于交通管理和控制优化，还可为出行者提供准确交通信息的智能交通系统（ITS）亟需完善[]，这直接引发了人们对交通短时行程时间预测的兴趣。于此同时，计算机技术的进步和交通硬件设施的完善为行程时间预测提供了客观的技术条件。 正是由于智能交通的发展和交通设备技术条件的完善，越来越多的研究着眼于行程时间等交通参数数据的恢复和预测。顾名思义，行程时间预测是指利用现有的信息对未知时间、空间段的行驶时间进行预测的过程。行程时间预测包括高速公路行程时间预测、城市道路网预测等；从预测所利用到的数据来看，可以分为长时（long-term）行程时间预测和短时（short-term）行程时间预测。由于行程时间是动态随机变量，不仅与历史行程时间存在一定的相关性，与现时的行程时间之间也有较强的关系；预测时间点与测量时间点间隔太大，意味着与预测多点时间与现时行程时间的相关性越弱；因此，在感兴趣范围内，近期行程时间预测比远期行程时间预测更有意义，更具时效性。因此大多数行程时间预测集中在短时行程时间预测[]。 人们尝试利用将不同领域的预测或者数据特征提取方法应用行程时间预测。最初人们考虑到行程时间是随时间变化而变化的变量，利用统计学方法进行预测；随着研究的深入，基于时空状态的神经网络模型开始应用于行程时间预测；而后，基于时空的多变量行程时间预测方法也相继诞生。尽管目前的行程时间预测方法和模型已经被证实得到比较好的预测结果，但是，这些方法大多只考虑到单个影响变量，或者考虑到多变量，引入矩阵进行预测；而行程时间不仅与时间空间有关，还因为人们“日出而作，日落而息”的生活以及工作日的分布存在着很强的周期特性，有着天周期，周周期，路径相关等特性；这些特性仅仅用线性或者非线性回归都不能提取；本文将在对以前的方法做综述总结的基础上，对未来的行程时间预测方法提出建议。旨在提出更加精确的、稳定的行程时间预测方法，为智能化交通管理和提供智能化的实时信息做准备。 第二章 行程时间预测方法概述 自十九世纪八十年代以来，行程时间预测就作为智能交通系统不可分割的部分，备受人们关注。追溯至今，短时行程时间预测已有35左右年的历史。人们不断尝试将新的方法应用于行程时间预测。 2.1 时间轴纵向发展 首先从纵向发展角度来看，最初投入应用的是经典统计学方法，而后是数据驱动的交通流参数模型化方法，这两种方法一般都是在假设交通条件比较稳定的情况下进行预测，如回归整数移动平均模型 (ARIMA)[]---][[]；接着，智能化计算方法和机器学习法被应用，如神经网络模型[]-=-0-][][[]，支持向量回归模型（support vector regression，简称SVR）[]-[]。Vlahogianni et al. (2004)[]对2003年以前的预测方法进行了总结，Adeli (2001)[] 对神经网络预测进行了总结。纵向比较可以得出，初步研究主要集中于高速公路，应用的是单一因变量统计模型，存在很多的不足。目前，人们正在积极努力地探索新的方法应用于行程时间预测中，Eleni I. Vlahogianni（2013）[]对近几十年的行程时间预测做了全面的纵向