万方数据
第４０卷第９期同济大学学报（自然科学版）
Ｖｏｌ＿４０Ｎｏ．９
２０１２年９月
ＪＯＵＲＮＡＬＯＦＴＯＮＧＪＩＵＮＩ、，ＥＲＳＩＴＹ（ＮＡ，ｎｍＡＩ．ＳｃＩＥＮｃＥ）
Ｓｅｐ．２０１２
文章编号：０２５３—３７４Ｘ（２０１２）０９—１３２３—０６
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０２５３—３７４ｘ．２０１２．０９．００８
道路网交通流状态变化趋势判别方法
董春娇１’２，邵春福２，谢坤１，李慧轩２
（１．田纳西大学交通研究中心，田纳西诺克斯维尔３７９９６；２．北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京１０００４４）
摘要：根据城市快速路交通流参数实测数据所表征的交通流ｇｒａｎｕｌａｔｉｏｎｗｈｉｃｈｉｓｍａｄｅｕｐｂｙＬ，ＲａｎｄＵｐａｒａｍｅｔｅｒｓ．状态特性，结合基本图和三相交通流理论，将道路网交通流Ｔｈｅｎ。ＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋｉＳｅｍｐｌｏｙｅｄｔｏｒｅａｌｉｚｅｔｒａｆｆｉｃ状态划分为自由流状态、拥挤流状态和阻塞流状态．在此基ｓｔａｔｅｓｐｒｅｄｉｃｔｉｏｎｗｉｔｈｔｈｒｅｅｐａｒａｍｅｔｅｒｓｏｆｆｕｚｚｙｉｎｆｏｒｍａｔｉｏｎ
础上，采用模糊信息粒化的思想，以道路网检测断面数为窗ｇｒａｎｕｌａｔｉｏｎ
ａｓ
ｉｎｐｕｔｔｉｎｇ．Ｓｕｂｓｅｑｕｅｎｔｌｙ，ｔｒａｆｆｉｃｓｔａｔｅｓ
口，设计三角形模糊隶属函数，将同时段的道路网交通流状ｃｏｍｐｏｓｉｔｅｉｎｄｅｘ
ｉｓ
ｃａｌｃｕｌａｔｅｄ
ｂｙ
ｔｈｅ
ｐｒｅｄｉｃｔｉｏｎ
ｒｅｓｕｌｔ
ｔｏ
态映射为含有低边界值Ｌ、中值Ｒ和高边界值ｕ三参数的模ｉｄｅｎｔｉｆｙｔｈｅｔｒａｆｆｉｃｓｔａｔｅｓ．Ｆｉｎａｌｌｙ，ｔｈｅｅｍｐｉｒｉｃａｌｒｅｓｅａｒｃｈｅｓ
糊信息粒．以模糊信息粒为输入，建立Ｅｌｍａｎ网络模型预测ｐｒｏｃｅｅｄｂｙ
ｔａｋｉｎｇ
ａ
ｒｅｇｉｏｎ
ｉｎ
Ｂｅｉｊｉｎｇ
ｕｒｂａｎｅｘｐｒｅｓｓｗａｙ交通流状态变化趋势．依据预测结果计算道路网交通流状态ｎｅｔｗｏｒｋ，ｔｈｅｒｅｓｅａｒｃｈ
ｒｅｓｕｌｔｓ
ｓｈｏｗ
ｔｈａｔｔｈｅ
ｐｒｏｐｏｓｅｄ
综合指数，判别未来时段道路网交通流状态，并以北京市某ｍｅｔｈｏｄｏｌｏｇｙｃａｎ
ｒｅａｌｉｚｅ
ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆ
ｔｒａｆｆｉｃ
ｓｔａｔｅｓ
ｖａｒｉａｔｉｏｎｉｎ
ｒｏａｄ
ｎｅｔｗｏｒｋ，ｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ
一区域路网为例进行实证性研究．研究结果表明：所提出的ａｃｃｕｒａｃｙ
ｉＳ
９３．３３％，ｈｏｗｅｖｅｒ，ｔｈｅ
ｉｄｅｎｆｉｆｉｃａｔｉｏｎ
ａｃｃｕｒａｃｙ
ｏｆ
ＳＶＭ
方法能够实现道路网交通流状态变化趋势判别，准确率为ｍｅｔｈｏｄｏｎ
ｔｈｅｓａｍｅｃｏｎｄｉｔｉｏｎｉＳ８６．６７％．
９３．３３％，同等条件下支持向量机模型判别准确率仅为８６．
６７％．
Ｋｅｙ
ｗｏｒｄｓ：ｔｒａｆｆｉｃ
ｓｔａｔｅｓ；ｔｒｅｎｄ
ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｆｕｚｚｙ
ｉｎｆｏｒｍａｔｉｏｎｇｒａｎｕｌａｔｉｏｎ；Ｅｌｍａｎｎｅｔｗｏｒｋ
关键词：交通流状态；趋势判别；模糊信息粒；Ｅｌｍａｎ网络
中图分类号：Ｕ
４９１
文献标识码：Ａ
交通流状态判别有多种方法，从简单的人工巡
Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆ
Ｔｒａｆｆｉｃ
ＳｔａｔｅＶａｒｉａｔｉｏｎＴｒｅｎｄ
逻判别方法到紧急电话、移动电话判别方法，从闭路
ｉｎＲｏａｄＮｅｔｗｏｒｋ
电视判别方法到全自动电子监视判别方法等等．这
些方法都能够在一定程度、一定范围内发现道路上
ＤＯＮＧ
Ｃｈｕｎｊｉａ０１“，ＳＨＡＯＣｈｕｎｆｕ２，ＸＩＥ
Ｋｕｎｌ，ＬＩ
存在的交通拥堵状况．
Ｉ－Ｉｕｉｘｕａｎ２
最早开发并投入使用的交通流状态判别算法是
（１．ＣｅｎｔｅｒｆｏｒＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈ，ｔｈｅＵｎｉｖｅｒｓｉｔｙｏｆＴｅｎｎｅｓｓｅｅ，
ＫｎｏｘｖｉｌｌｅＴＮ
３７９９６，ＵＳＡ；２．ＭＯＥＫｅｙＬａｂｏｒａｔｏｒｙｆｏｒＵｒｂａｎ
以判别突发交通事件为主要功能的加利福尼亚算
Ｔｒａｎｓｐｏｒｔａｔｉｏｎ
ＣｏｍｐｌｅｘＳｙｓｔｅｍｓＴｈｅｏｒｙａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ
法．经过实践和进一步的深入研究，１９７８年Ｐａｙｎｅ
ＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００４４，Ｃｈｉｎａ）
和ＴｉｇｎｏｒＥｌ］公布了１０种基于最初的加州算法的改
进算法，其中性能最好的是加州７８算法和加州８
ｏ
Ａｂｓｔｒａｅｔ：Ｕｎｄｅｒｔｈｅｔｈｅｏｒｅｔｉｃａｌｆｒａｍｅｗｏｒｋｓｏｆｂｏｔｈ
ｔｈｅ
算法．１９９３年Ｃｈａｓｓｉａｋｏｓ和ＳｔｅｐｈａｎｅｄｅｓＬ２１开发了
ｔｒａｄｉｔｉｏｎａｌｆｕｎｄａｍｅｎｔａｌｄｉａｇｒａｍａｐｐｒｏａｃｈａｎｄｎｅｗｌｙ—ｄｅｖｅｌｏｐｅｄ一种低通滤波算法，采用移动平均的方法去除交通
ｔｈｒｅｅ—ｐｈａｓｅｔｒａｆｆｉｃｔｈｅｏｒｙ，ｗｉｔｈｒｅｇａｒｄｔｏｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｒａｆｆｉｃ
ｆｌｏｗ
ｂａｓｅｄ
ｏｎ
ｄｅｔｅｃｔｉｏｎ
ｄａｔａ。ｔｒａｆｆｉｃ
ｆｌｏｗｗａｓ
流参数实测数据中的噪声和高频成分，只保留低频ｓｐｌｉｔｔｉｎｇｉｎｔｏｔｈｒｅｅｔｒａｆｆｉｃｓｔａｔｅｓ，ｗｈｉｃｈｉｎｃｌｕｄｅｆｒｅｅｔｒａｆｆｉｃ，数据实现对交通拥挤的判别．同年Ａｂｄｕｌｈａｉｃ３］建立ｃｏｎｇｅｓｔｅｄｔｒａｆｆｉｃａｎｄ
ｊａｍｔｒａｆｆｉｃ．Ｉｎｔｈｅｌｉｇｈｔｏｆｔｒａｆｆｉｃｓｔａｔｅｓ
了概率神经网络（ＰＮＮ）对突发交通事件进行判别．ｄｅｆｉｎｉｔｉｏｎ，ｆｉｒｓｔｌｙ，ｔｒａｆｆｉｃｆｌｏｗｐａｒａｍｅｔｅｒｓｏｆｒｏａｄｎｅｔｗｏｒｋａｔ同年Ａｎｔｏｎｉａｄｅｓ和Ｓｔｅｐｈａｎｅｄｅｓ［４］开发了一种单监
ｔｈｅ
ｓａｍｅ
ｉｎｓｔａｎｔ
ｉＳ
ｔｒａｎｓｆｏｒｍｅｄ
ｔｏ
ｆｕｚｚｙ
ｉｎｆｏｒｍａｔｉｏｎ
测站交通事件判别算法（ＳＳＩＤ），运用统计分析中的
收稿日期：２０１１一０６一１３
基金项目：国家自然科学基金（５０７７８０１５）；国家“九七三”重点基础研究发展规划（２００６ＣＢ７０５５００）
第一作者：董春娇（１９８２），女，博士后助理研究员，工学博士，主要研究方向为智能交通系统、交通安全以及城市交通规划与管理
Ｅ－ｍａｉｌ：ｄｏｎｇｃｈｊ２００６＠１６３．ｃｏｍ
通讯作者：邵春福（１９５７），男，教授，博士生导师，工学博士，主要研究方向为交通规划、智能交通系统及交通安全．
Ｅ－ｍａｉｌ：ｃｆｓｈａｏ＠ｂｊｔｕ，ｅｄｕ．ｃｎ
同济大学学报（自然科学版）
第４０卷
万方数据
Ｔ检验方法分析单个监测站占有率数据差异实现对突发交通事件的判别．综上所述，早期的交通流状态判别算法主要以突发交通事件为研究对象，大部分都以感应线圈采集的交通流量、占有率和地点速度等交通流数据为基础，所采用的技术方法主要包括决策树、统计分析、平滑滤波等常规方法．经过近４０
年的发展，模糊理论、专家系统、模式识别、人工神经网络等人工智能技术已经成为交通流状态判别算法
设计的重要手段，除了常规交通检测器能够提供的
交通量、地点速度和占有率外，间接交通流状态判别算法设计的信息基础还包括车头时距、车辆的瞬时
速度与行程时间、交通流的平均行程时间与平均行
程速度等．交通流参数检测技术的发展为交通流状
态判别算法有效性的提高创造了条件．
本文在交通流状态界定的基础上，采用模糊粒
化的方法，将同时段道路网交通流状态参数映射为
含有低边界值Ｌ、中值Ｒ和高边界值【，三参数的模
糊信息粒，并建立Ｅｌｍａｎ网络模型对其变化趋势进
行预测，基于预测结果，计算道路网交通流状态综合指数，将交通流状态划分为自由流状态、拥挤流状态
和阻塞流状态，以期为不同状态下的交通流短时预测方法、控制及诱导策略提供技术支持．
１
交通流状态变化趋势预测方法
１．１交通流状态
道路交通流特性可用交通流状态描述，交通流在不同状态下呈现出不同的特征．基于我国城市快
速路交通流特性，结合基本图和三相交通流理
论［ｓ一引，可将交通流划分为自由流状态、拥挤流状态和阻塞流状态，如图１所示．图中，Ｑｒ。。为交通流率最
大值（即自由流状态下交通流率临界值），（乙。为时间占有率最大值（即阻塞流状态下占有率临界值）．
围１城市快速路交通流状态划分
Ｆｉｇ．１
Ｔｒａｆｆｉｃｆｌｏｗｓｔａｔｅｓｓｐｌｉｔｔｉｎｇ
ｏｎ
ｕｒｂａｎ
ｅｘｐｒｅｓｓｗａｙ
３种交通流状态下的交通特征为：①自由流状
态——交通流率较小，道路上行驶的车辆基本上不
受或少受其他车辆的影响，可以保持较高的车速；②
拥挤流状态
车辆行驶速度受到前车的制约，但
车流行驶状态比较稳定，且本身具有一定的抗干扰
能力，该状态下交通流率可以达到最大值，当交通需
求继续增加，会使车流产生较大的波动，车流运行速
度出现显著下降，交通流呈现出很大的波动性；③
阻塞流状态——交通流密度较大，速度受前车制约性强，车辆行驶自由度小，车速稳定性较差，显示出
较大的波动性，当交通流率继续增加，车流会出现走走停停现象．
１．２交通流状态变化趋势预测方法
交通流状态变化趋势预测是基于交通流参数实测值以预测交通流状态变化趋势和未来时段的交通
流状态．本文基于模糊信息粒化的思想，将同一时段
的道路网交通流参数映射为包含Ｌ，Ｒ，Ｕ三参数的
模糊信息粒，建立Ｅｌｍａｎ网络模型对三参数进行预测，判别未来时段交通流状态，其方法流程如图２所
示．图中，０ｆ。，０吣。和Ｏｊ。分别为自由流、拥挤流和
阻塞流状态下时间占有率临界值，Ｋ为道路网交通流状态综合指数．
２
交通流状态模糊信息粒化
２．１模糊信息粒化方法
信息粒化（ｉｎｆｏｒｍａｔｉｏｎｇｒａｎｕｌａｔｉｏｎ，ＩＧ）研究信
息粒化的形成、表示、粗细、语义解释等，通过不可区分性、功能相近性、相似性、函数性等划分对象集合啪．模糊信息粒是以模糊集表示的信息粒，用模糊集方法对时间序列进行模糊信息粒化，主要分两个
步骤：划分窗口和模糊化．划分窗１２１就是将时间序列分割成若干子序列，作为操作窗口；模糊化则是将产生的每一个窗ＶＩ进行模糊化，生成一个个模糊集．这
两种广义模式结合在一起就是模糊信息粒化，称为
ｆ－粒化．在严粒化中，最为关键的是模糊化的过程，
也就是在所给的窗口上建立一个合理的模糊集，使
其能够取代原来窗口中的数据，本文采用派垂驰（Ｗ．Ｐｅｄｒｙｃｚ）的粒化方法．
对于给定的时间序列，考虑单窗口问题，即把整
个时序Ｘ看成是一个窗口进行模糊化．模糊化的任
务是在Ｘ上建立一个模糊信息粒子Ｐ，即一个能够
合理描述Ｘ的模糊概念Ｇ（以Ｘ为论域的模糊集合），确定了Ｇ也就确定了模糊信息粒子Ｐ
声尘ｚ是Ｇ
（１）
第９期
董春娇，等：道路网交通流状态变化趋势判别方法
万方数据
基
于
Ｅｌｍａｎ
的模糊粒子预测
交通
流状态变化趋势预
测
－●－－－－一Ｌ－●＿－－－●‘●－－－●－－－一一●－●－＿●●一－●－●－－－－一一＿，●●●－一一－
图２交通流状态变化趋势判别方法流程
Ｆｉｇ．２
Ｆｌｏｗｃｈａｒｔｏｆｔｒａｆｆｉｃｓｔａｔｅｓｖａｒｉａｔｉｏｎｉｄｅｎｔｉｆｉｃａｔｉｏｎ
因此模糊化过程本质上就是确定一个函数Ａ的本文建立模糊信息粒子的基本思想：①模糊信的最佳平衡，可考虑建立如下关于Ａ的一个函数：
Ｑ—ＭＡ／Ｎａ
（２）
常用的模糊信息粒子有：三角形、梯形、高斯形、
用三角形模糊信息粒子作为描述同一时段道路网交
通流状态，其隶属函数如下；
ｆＯ，ｚ＜盘
Ａ（ｚ，ｎ，ｂ，（．）一＿《
Ｉ篙，口≤ｚ≤ｂｌ两Ｃ－－３。，６＜ｚ≤ｃ
（３）
ｌｏ，ｚ＞ｆ
式中：Ａ为隶属函数；ａ为三角形模糊信息粒子最小值；６为三角形模糊信息粒子中值；ｃ为三角形模糊信息粒子最大值．
２．２交通流状态模糊信息粒子计算
交通流状态是占有率的单值函数，因此以占有
率为输入，判别交通流状态变化趋势．设研究范围内
共有ｍ个断面，则ｔ时段共有Ｏ，，Ｏ。，…，Ｏ。个值反映交通流状态，借助模糊信息粒化的思想，建立三角形
模糊信息粒子模型，将同一时段的占有率映射为包
含３个参数（Ｕ，Ｒ，Ｌ）的模糊信息粒子描述道路网交通流状态，具体步骤为：
步骤１将同一时段的占有率Ｏ。，Ｏ：，…，Ｏ。按从小到大重新排序，设排序后的时间序列为０一（ｏ，，
０２，…，Ｏ。）．
步骤２确定三角形模糊信息粒子参数Ｒ．
Ｒ反映的是道路网交通流状态变化的平均趋势，可按下式计算：
Ｒ一｛生挚，以一２ｍ
ｒｏｍ，ｎ一２ｍ＋１
‘４’
步骤３确定三角形模糊信息粒子参数Ｌ．
Ｌ反映的是道路网交通流状态变化区间的最低值，其值既要小于Ｒ，又应具有独立性，计算公式为
ｆ
Ｌ一』
ＩｍａｘＩ垒型
ｆ∑Ａ（ｏ。）１
ｌ
Ｒ～Ｌ
Ｊ
ｌ
Ｉ
（５）
∑Ａ（ｏ；）
ｌ
Ｌ
２×芏竺Ｌ一一Ｒ
ｍ
步骤４确定三角形模糊信息粒子参数ＵＵ反映的是道路网交通流状态变化区间的最高值，其值既要大于Ｒ，又应具有独立性，计算公式为
ｆ
ｕ—Ｊ
｛ｍａｘｌ垒型
ｆ∑Ａ（ｏｔ）１
ｌ
ｕ～Ｒ
Ｊ
１．
ｌ
（６）
∑Ａ（ｏ。）
Ｉ
Ｌ
２×堕兰Ｌ一一Ｒ
ｍ
通过模糊信息粒子的计算，将反映道路网交通
过程，Ａ是模糊概念Ｇ的隶属函数．通常粒化时首先
确定模糊概念的基本形式，然后确定具体的隶属函
数Ａ．
息粒子能够合理地代表原始数据；②模糊信息粒子要有一定的特殊性．为满足上述两个要求，找到两者满足建立模糊信息粒子的基本思想②．
其中，ＭＡ满足建立模糊信息粒子的基本思想①，ＮＡ
抛物形等．其中三角形模糊信息粒子形式简单，且参
数设置和交通流状态变化趋势具有相似性．本文采
同济大学学报（自然科学版）
第４０卷
万方数据
流状态变化的占有率时间序列转化为具有３个参数的状态区间，为交通流状态变化趋势判别提供输入参数．
３基于模糊信息粒化的道路网交通流
状态变化趋势判别
结合模糊信息粒化结果，建立Ｅｌｍａｎ网络模型对三参数进行预测，判别交通流状态变化趋势．
Ｅｌｍａｎ网络是Ｅｌｍａｎ于１９９０年提出的，该模型在前
馈网络的隐含层中增加一个承接层，作为延时算子，以达到记忆的目的，从而使系统具有适应时变特性
的能力，能直接反映系统动态过程特性［８’９］．
Ｅｌｍａｎ网络一般分为４层：输入层、中间层（隐含层）、承接层和输出层，如图３所示，图中符号含义见式（７），（８）和（９）的参数解释．输人层的单元仅起
信号传输作用，输出层单元起线性加权作用，隐含层
单元的传递函数可采用线性或非线性函数，承接层
又称为状态层，它用来记忆隐含层单元前一时段的输出值并返回给输入，可认为是延时算子。
承接层４
图３
Ｅｌｍａｎ网络结构图
Ｆｉｇ．３
ＳｔｒｕｃｔｕｒｅｏｆＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ
Ｅｌｍａｎ网络的特点是隐含层的输出通过承接层
的延迟与存储，自联到隐含层的输入．这种自联方式
使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而
达到了动态建模的目的．基于Ｅｌｍａｎ网络的模糊信
息粒子预测模型如下：
ｙ（忌）一ｇ（ｗ３ｚ（尼））
（７）ｚ（尼）一ｆ（ｗｌｚ。（忌）＋训２（口（是一１）））
（８）
ｚ。（忌）一ｘ（ｋ一１）
（９）
式中：Ｙ，ｚ，ａ，ｚ。分别为ｍ维输出节点向量、竹维中
间层节点单元向量、ｒ维时间序列输入向量和７＂１维反馈状态向量；硼。，叫。，训，分别表示中间层到输出层、
输入层到中间层、承接层到中间层的连接权值；
ｇ（・）为输出神经元的传递函数，是中间层输出的线性组合；厂（・）为中间层神经元的传递函数，常采用
Ｓ函数，即厂（ｚ）一１／（１＋ｅ一）．Ｅｌｍａｎ网络学习指标函数采用如下误差平方和函数：
Ｅ（叫）一∑Ｅｙ。（训）一五（叫）］２
（１０）
式中：Ｅ（训）为学习指标函数；Ｙ。（叫）为目标输出向
量真值；五（叫）为目标输出向量预测值．
基于模糊信息粒化的Ｅｌｍａｎ网络交通流状态变
化趋势判别主要步骤为：
步骤ｌ建立Ｅｌｍａｎ网络模型对模糊信息粒子
进行预测；
步骤２根据预测的模糊信息粒子，计算道路网交通流状态综合指数，结合交通流状态划分阈值，判
别道路网交通流状态．
应用于交通流状态变化趋势预测的道路网交通流状态综合指数计算方法如下：
ｆ（Ｒ升－＋“。）／２，
‰一ｌ…
Ｉ（Ｒ升１＋Ｌ件１）／２，
‰１屯卅卜㈨ｒ－－Ｌ，）＞０（１１）【
（Ｕ件１一Ｌ卧１）～（Ｕ—Ｌ：）≤０
式中，Ｋ州为ｔ＋１时刻道路网交通流状态综合指数．根据计算的道路网交通流状态综合指数可判别道路网交通流状态变化趋势．
实证性研究
以图４所示预测范围内９个断面２４ｈ以２ｒａｉｎ
为时间间隔的交通流占有率数据，数据为６
４８０×１
型矩阵，按照模糊信息粒化模型对原始数据进行模糊信息粒化．本文将９个断面的交通流占有率数据作为一个窗口大小，将同一时段的占有率模糊粒化
为Ｌ，Ｒ，Ｕ三个参数，结果如图５所示．
北
令
憋
∽拶＿陬酝三环
●预测断面—－预测流向
一辅助断面一＋辅助流向
图４区域快速路网示意图
Ｆｉｇ．４
Ａｔｅｓｔｅｘｐｒｅｓｓｗａｙｎｅｔｗｏｒｋ
粒化后的３个参数均服从占有率的时间变化规
第９期
董春娇，等：道路网交通流状态变化趋势判别方法
万方数据
律，其中，Ｌ描述的是道路网交通流状态变化的最小
值；Ｒ描述的是道路网交通流状态变化的平均水平；Ｕ描述的是道路网交通流状态变化的最大值．
６０５０４０
ｊ鹫
基３０梨
２０１０
０９０
１８０２７０
３６０４５０５４０６３０７３０
粒化窗口数目
图５模糊信息粒化结果图
Ｆｉｇ．５
Ｒｅｓｕｌｔｏｆｏｆｆｕｚｚｙｉｎｆｏｒｍａｔｉｏｎｇｒａｉｎ
根据模糊信息粒化结果，建立Ｅｌｍａｎ网络模型对模糊信息粒子进行预测．训练输入样本为７１９×３
型矩阵，训练输出样本为７１９×３型矩阵，即以前一
时段的模糊信息粒子作为输入，预测下一时段模糊
信息粒子值，根据输入、输出样本的数据特征，设计Ｅｌｍａｎ网络输入节点为３，输出节点为３，隐层节点数由试算法确定，初步设定隐层节点数为４—１１，然
后用训练样本集合对Ｅｌｍａｎ网络模型进行训练测
试，评价其预测效果，选择出最优模型．表１为不同
隐层节点下训练的Ｅｌｍａｎ网络模型性能．
表１不同隐层节点下Ｅｌｍａｎ网络性能比较
Ｔａｂ．１
ＣｏｍｐａｒｉｓｏｎｏｆＥｌｍａｎＮＮｐｅｒｆｏｒｍａｎｃｅ
ｆｏｒｄｉｆｆｅｒｅｎｃｅｈｉｄｄｅｎｎｏｔｅ
由表１可知，隐层节点数为７的Ｅｌｍａｎ网络性能最好，因此采用隐层节点数为７的Ｅｌｍａｎ网络用
于模糊信息粒子的变化趋势预测．
以预测范围内１ｈ的交通流实测数据模糊粒化
值作为测试样本，利用训练得到的Ｅｌｍａｎ模型，对测试样本Ｌ，Ｒ，Ｕ进行回归预测，结果如图６ａ所示。由图６ａ可知，Ｒ参数的预测效果最好，Ｕ参数预测有
偏大的趋势，而Ｌ参数预测有偏小的趋势，３个参数预测的平均绝对百分比误差（ｍｅａｎ
ａｂｓｏｌｕｔｅ
ｐｅｒｃｅｎｔａｇｅ
ｅｒｒｏｒ，ＭＡＰＥ）与平均绝对偏差（ｍｅａｎ
ａｂｓｏｌｕｔｅ
ｄｅｖｉａｔｉｏｎ，ＭＡＤ）如表２所示．
表２基于Ｅｌｍａｎ网络的模糊信息粒子预测误差
Ｔａｂ．２
Ｐｒｅｄｉｃｔｉｏｎ
ｅｒｒｏｒ
ｏｆｆｕｚｚｙｉｎｆｏｒｍａｔｉｏｎ
ｇｒａｉｎｗｉｔｈＥｌｍａｎＮＮ
根据预测得到的Ｌ，Ｒ及Ｕ按式（１１）计算道路网综合状态指数，采用Ｏｆ，。一２２％，０ｃ。一５４％，Ｏ。
＝８０％作为道路网交通流状态判别阈值，判别结果
如图６ｂ所示，其中０ｆ，。，０ｃ。和Ｑ。分别为根据实测值估算的自由流、拥挤流和阻塞流状态下时间占有率临界值．３０个时问序列中共存在２次误判，判别准
确率为９３．３３％．
蔷藿箍ｊ醛
篓模糊信息粒实际值Ｍ
ａ模糊信息粒子回归预测结果
时间序列／ｍｉｎ
ｂ道路网交通流状态判别结果
图６基于Ｅｌｍａｎ网络的交通流状态变化趋势判别
Ｆｉｇ．６
Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔ
ｏｆｔｒａｆｆｉｃ
ｓｔａｔｅｓ
ｏｎ
ｅｘｐｒｅｓｓｗａｙｎｅｔｗｏｒｋ
ｗｉｔｈ
Ｅｌｍａｎ
ｎｅｕｒａｌ
ｎｇｔｗｏｒｋ
为了比较方法的有效性，以图４所示预测范围
内９个断面２４ｈ的交通流数据作为训练集建立交通流状态判别支持向量机（ＳＶＭ）模型，训练集数据为
６
４８０×３型矩阵，建模过程采用交叉验证方法优化
模型中的惩罚参数ｆ和核函数ｙ．优化后的ＳＶＭ模
型可以使训练集交通流状态判别结果准确率达到
同济大学学报（自然科学版）
第４０卷
９９．８３％．采用优化的ＳＶＭ模型，在相同条件下对道性研究，研究结果表明，本文提出的方法能够实现道路网交通流状态变化趋势的预测判别，准确率为
９３．３３％，同等条件下ＳＶＭ模型判别准确率仅为
８６．６７％．
路网交通流状态进行判别，结果如图７所示．由于是以当前时段的交通流参数判别未来时段的交通流状
态，因此存在一定的时滞性，３０个时间序列中共存在４次误判，判别准确率为８６．６７％．通过对比发现，本文提出的交通流状态变化趋势判别方法，判别准确
参考文献：
万方数据
率高，且优于基于ＳＶＭ的方法．
时间序列／ｍｉｎ
图７基于ＳＶＭ的快速路网交通流状态判别结果
Ｆｉｇ．７
Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆｅｘｐｒｅｓｓｗａｙｎｅｔｗｏｒｋ
ｔｒａｆｆｉｃｓｔａｔｅｓｗｉｔｈＳＶＭＭｏｄｅｌ
５
结语
（１）基于城市快速路交通流实测数据，结合基
本图和三相交通流理论，将城市快速路交通流状态划分为自南流状态、阻塞流状态和拥挤流状态．
（２）应用模糊信息粒化的方法，以道路网检测断面数为窗口，设计三角形模糊隶属函数，将同一时段的道路网交通流占有率映射为含有Ｒ，Ｌ和Ｕ三参数的模糊信息粒子表征道路网交通流状态变化趋
势．
（３）建立Ｅｌｍａｎ网络模型，以模糊信息粒参数
Ｒ，Ｌ和Ｕ为输入，预测道路网交通流状态变化趋
势，在此基础上计算道路网交通流状态综合指数，判别道路网交通流状态．
（４）以北京市某一区域路网为例，进行了实证
［１３
［２］Ｃｈａｓｓｉａｋｏｓ
Ｅ３］Ａｂｄｕｌｈａｉ
［４］Ａｎｔｏｎｉａｄｅｓ
Ｅｓ］ＢｏｒｉｓＥ６３
１－７３候方国，胡圣武．模糊信息粒化理论在空间信息系统地位的探
Ｅ８］ＤＯＮＧｆ９］董春娇，邵春福，熊志华，等．基于Ｅｌｍａｎ神经网络的道路网
ＰａｙｎｅＨＪ，ＴｉｇｎｏｒＳＣ．Ｆｒｅｅｗａｙｉｎｃｉｄｅｎｔ－ｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｂａｓｅｄ
ｏｎ
ｄｅｃｉｓｉｏｎｔｒｅｅｓｗｉｔｈ
ｓｔａｔｅｓＵ５．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ
Ｒｅｓｅａｒｃｈ
Ｒｅｃｏｒｄ６８２，１９７８：３０．
ＡＰ，Ｓｔｅｐｈａｎｅｄｅｓ，ＹＪ．Ｓｍｏｏｔｈｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒ
ｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈ
Ｒｅｃｏｒｄ１３９４，
１９９３：８，
Ｂ．Ａ
ｎｅｕｒｏ－ｇｅｎｅｔｉｃ—ｂａｓｅｄｕｎｉｖｅｒｓｉｔｙ
ｔｒａｎｓｆｅｒａｂｌｅ
ｆｒｅｅｗａｙ
ｉｎｃｉｄｅｎｔ
ｄｅｔｅｃｔｉｏｎ
ｆｒａｍｅｗｏｒｋ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ
ＲｅｓｅａｔｃｈＲｅｃｏｒｄ１８５９，１９９６：１７１．
Ｃ
Ｎ，Ｓｔｅｐｈａｎｅｄｅｓ
Ｙ
Ｊ．Ｓｉｎｇｌｅ—ｓｔａｔｉｏｎｉｎｃｉｄｅｎｔ
ｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ（ＳＳＩＤ）ｆｏｒｓｐａｒｓｅｌｙｉｎｓｔｒｕｍｅｎｔｅｄｆｒｅｅｗａｙ
ｓｉｔｅｓ［Ｃ］／／Ａｐｐｌｉｃａｔｉｏｎｓｏｆ
Ａｄｖａｎｃｅｄ
Ｔｅｃｈｎｏｌｏｇｉｅｓ
ｔｏ
ＴｒａｎｓｐｏｒｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮｅｗＹｏｒｋ：ＡＳＣＥ，ｔ９９５：２１８．
ＳＫｅｒｎｅｒ．Ｔｈｒｅｅ—ｐｈａｓｅｔｒａｆｆｉｃｔｈｅｏｒｙａｎｄｈｉｇｈｗａｙｃａｐａｃｉｔｙ
ＥＪ］．Ｐｈｙｓｉｃａ
Ａ，２００４，３３３：３７９．
Ｂｏｒｉｓ
ＳＫｅｒｎｅｒ，ＳｅｒｇｅｙＬＫｌｅｎｏｖ，ＡｎｄｒｅａｓＨｉｌｌｅｒ．Ｅｍｐｉｒｉｃａｌ
ｔｅｓｔｏｆ
ａ
ｍｉｃｒｏｓｃｏｐｉｃｔｈｒｅｅ—ｐｈａｓｅｔｒａｆｆｉｃｔｈｅｏｒｙ
ＥＪ］．Ｎｏｎｌｉｎｅａｒ
Ｄｙｎａｍｉｃｓ，２００７，４９：５２５，
讨［Ｊ］．测绘与空间地理信息，２００４，２７（３）：１４．
ＨＯＵＦａｎｇｇｕｏ，ＨＵＳｈｅｎｇｗｕ．Ｓｔｕｄｙ
ｏｎ
ｔｈｅｐｏｓｉｔｉｏｎｏｆＴＧＩＦｉｎ
ｓｐａｔｉａｌｉｎｆｏｒｍａｔｉｏｎ
ｓｙｓｔｅｍ［Ｊ］．Ｇｅｏｍａｔｉｃｓ＆Ｓｐａｔｉａｌ
Ｉｎｆｏｒｍａｔｉｏｎ
Ｔｅｃｈｎｏｌｏｇｙ，２００４．２７（３）：１４．
Ｃｈｕｎｊｉａｏ。ｓｌ讼ｏ
Ｃｈｕｎｆｕ，ＬＩＸｉａ．Ｓｈｏｒｔ－ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗ
ｆｏｒｅｃａｓｔｉｎｇ
ｏｆ
ｒｏａｄ
ｎｅｔｗｏｒｋ
ｂａｓｅｄ
ｏｎ
ｓｐａｔｍｌ・ｔｅｍｐｏｒａｌ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｒａｆｆｉｃ
ｆｌｏｗ［ｃ］／／２００９ｗ砌Ｗｏｒｌｄ
Ｃｏｎｇｒｅｓｓ
ｏｎ
Ｃｏｍｐｕｔｅｒ，Ｓｃｉｅｎｃｅａｎｄ
Ｉｎｆｏｒｍａｔｉｏｎ
Ｅｎｇｉｎｅｅｒｉｎｇ，Ｌｏｓ
Ａｎｇｅｌｅｓ：Ｉｓ．ｎ．］，２００９：６４５．
短时交通流预测方法［Ｊ］．交通运输系统工程与信息，２０１０，１０
（１）：１４５．
ＤＯＮＧＣｈｕｎｊｉａｏ，ＳＨＡＯＣｈｎｎｆｕ，ＸＩＯＮＧＺｈｉｈｕａ，ｅｔａ１．Ｓｈｏｒｔ．
ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｆｏｒｅｃａｓｔｉｎｇｏｆｒｏａｄｎｅｔｗｏｒｋｂａｓｅｄ
ｏｎ
Ｅｌｍａｎ
ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ［ｊ］．Ｊｏｕｒｎａｌ
ｏｆ
ＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ
ＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１０，１０（１）：１４５．
道路网交通流状态变化趋势判别方法
作者：作者单位：刊名：英文刊名：年，卷(期)：
董春娇， 邵春福， 谢坤， 李慧轩， DONG Chunjiao， SHAO Chunfu， XIE Kun， LI Huixuan
董春娇,DONG Chunjiao(田纳西大学交通研究中心,田纳西诺克斯维尔37996;北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044)， 邵春福,李慧轩,SHAO Chunfu,LI Huixuan(北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京,100044)， 谢坤,XIE Kun(田纳西大学交通研究中心,田纳西诺克斯维尔37996)
同济大学学报（自然科学版）
Journal of Tongji University(Natural Science)2012,40(9)
参考文献(9条)
1. Payne H J;Tignor S C Freeway incident-detection algorithms based on decision trees with states 19782. Chassiakos A P;Stephanedes,Y J Smoothing algorithms for incident detection 1993
3. Abdulhai B A neuro-genetic-based university transferable freeway incident detection framework 1996
4. Antoniades C N;Stephanedes Y J Single-station incident detection algorithm (SSID) for sparsely instrumented freeway sites 19955. Boris S Kerner Three-phase traffic theory and highway capacity 2004
6. Boris S Kerner;Sergey L Klenov;Andreas Hiller Empirical test of a microscopic three-phase traffic theory 20077. 候方国;胡圣武 模糊信息粒化理论在空间信息系统地位的探讨[期刊论文]-测绘与空间地理信息 2004(03)
8. DONG Chunjiao;SHAO Chunfu;LI Xia Short-term traffic flow forecasting of road network based on spatial-temporal characteristics of traffic flow 20099. 董春娇;邵春福;熊志华 基于Elman神经网络的道路网短时交通流预测方法[期刊论文]-交通运输系统工程与信息 2010(01)
本文链接：http://d.g.wanfangdata.com.cn/Periodical_tjdxxb201209008.aspx
万方数据
第４０卷第９期同济大学学报（自然科学版）
Ｖｏｌ＿４０Ｎｏ．９
２０１２年９月
ＪＯＵＲＮＡＬＯＦＴＯＮＧＪＩＵＮＩ、，ＥＲＳＩＴＹ（ＮＡ，ｎｍＡＩ．ＳｃＩＥＮｃＥ）
Ｓｅｐ．２０１２
文章编号：０２５３—３７４Ｘ（２０１２）０９—１３２３—０６
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０２５３—３７４ｘ．２０１２．０９．００８
道路网交通流状态变化趋势判别方法
董春娇１’２，邵春福２，谢坤１，李慧轩２
（１．田纳西大学交通研究中心，田纳西诺克斯维尔３７９９６；２．北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京１０００４４）
摘要：根据城市快速路交通流参数实测数据所表征的交通流ｇｒａｎｕｌａｔｉｏｎｗｈｉｃｈｉｓｍａｄｅｕｐｂｙＬ，ＲａｎｄＵｐａｒａｍｅｔｅｒｓ．状态特性，结合基本图和三相交通流理论，将道路网交通流Ｔｈｅｎ。ＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋｉＳｅｍｐｌｏｙｅｄｔｏｒｅａｌｉｚｅｔｒａｆｆｉｃ状态划分为自由流状态、拥挤流状态和阻塞流状态．在此基ｓｔａｔｅｓｐｒｅｄｉｃｔｉｏｎｗｉｔｈｔｈｒｅｅｐａｒａｍｅｔｅｒｓｏｆｆｕｚｚｙｉｎｆｏｒｍａｔｉｏｎ
础上，采用模糊信息粒化的思想，以道路网检测断面数为窗ｇｒａｎｕｌａｔｉｏｎ
ａｓ
ｉｎｐｕｔｔｉｎｇ．Ｓｕｂｓｅｑｕｅｎｔｌｙ，ｔｒａｆｆｉｃｓｔａｔｅｓ
口，设计三角形模糊隶属函数，将同时段的道路网交通流状ｃｏｍｐｏｓｉｔｅｉｎｄｅｘ
ｉｓ
ｃａｌｃｕｌａｔｅｄ
ｂｙ
ｔｈｅ
ｐｒｅｄｉｃｔｉｏｎ
ｒｅｓｕｌｔ
ｔｏ
态映射为含有低边界值Ｌ、中值Ｒ和高边界值ｕ三参数的模ｉｄｅｎｔｉｆｙｔｈｅｔｒａｆｆｉｃｓｔａｔｅｓ．Ｆｉｎａｌｌｙ，ｔｈｅｅｍｐｉｒｉｃａｌｒｅｓｅａｒｃｈｅｓ
糊信息粒．以模糊信息粒为输入，建立Ｅｌｍａｎ网络模型预测ｐｒｏｃｅｅｄｂｙ
ｔａｋｉｎｇ
ａ
ｒｅｇｉｏｎ
ｉｎ
Ｂｅｉｊｉｎｇ
ｕｒｂａｎｅｘｐｒｅｓｓｗａｙ交通流状态变化趋势．依据预测结果计算道路网交通流状态ｎｅｔｗｏｒｋ，ｔｈｅｒｅｓｅａｒｃｈ
ｒｅｓｕｌｔｓ
ｓｈｏｗ
ｔｈａｔｔｈｅ
ｐｒｏｐｏｓｅｄ
综合指数，判别未来时段道路网交通流状态，并以北京市某ｍｅｔｈｏｄｏｌｏｇｙｃａｎ
ｒｅａｌｉｚｅ
ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆ
ｔｒａｆｆｉｃ
ｓｔａｔｅｓ
ｖａｒｉａｔｉｏｎｉｎ
ｒｏａｄ
ｎｅｔｗｏｒｋ，ｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ
一区域路网为例进行实证性研究．研究结果表明：所提出的ａｃｃｕｒａｃｙ
ｉＳ
９３．３３％，ｈｏｗｅｖｅｒ，ｔｈｅ
ｉｄｅｎｆｉｆｉｃａｔｉｏｎ
ａｃｃｕｒａｃｙ
ｏｆ
ＳＶＭ
方法能够实现道路网交通流状态变化趋势判别，准确率为ｍｅｔｈｏｄｏｎ
ｔｈｅｓａｍｅｃｏｎｄｉｔｉｏｎｉＳ８６．６７％．
９３．３３％，同等条件下支持向量机模型判别准确率仅为８６．
６７％．
Ｋｅｙ
ｗｏｒｄｓ：ｔｒａｆｆｉｃ
ｓｔａｔｅｓ；ｔｒｅｎｄ
ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｆｕｚｚｙ
ｉｎｆｏｒｍａｔｉｏｎｇｒａｎｕｌａｔｉｏｎ；Ｅｌｍａｎｎｅｔｗｏｒｋ
关键词：交通流状态；趋势判别；模糊信息粒；Ｅｌｍａｎ网络
中图分类号：Ｕ
４９１
文献标识码：Ａ
交通流状态判别有多种方法，从简单的人工巡
Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆ
Ｔｒａｆｆｉｃ
ＳｔａｔｅＶａｒｉａｔｉｏｎＴｒｅｎｄ
逻判别方法到紧急电话、移动电话判别方法，从闭路
ｉｎＲｏａｄＮｅｔｗｏｒｋ
电视判别方法到全自动电子监视判别方法等等．这
些方法都能够在一定程度、一定范围内发现道路上
ＤＯＮＧ
Ｃｈｕｎｊｉａ０１“，ＳＨＡＯＣｈｕｎｆｕ２，ＸＩＥ
Ｋｕｎｌ，ＬＩ
存在的交通拥堵状况．
Ｉ－Ｉｕｉｘｕａｎ２
最早开发并投入使用的交通流状态判别算法是
（１．ＣｅｎｔｅｒｆｏｒＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈ，ｔｈｅＵｎｉｖｅｒｓｉｔｙｏｆＴｅｎｎｅｓｓｅｅ，
ＫｎｏｘｖｉｌｌｅＴＮ
３７９９６，ＵＳＡ；２．ＭＯＥＫｅｙＬａｂｏｒａｔｏｒｙｆｏｒＵｒｂａｎ
以判别突发交通事件为主要功能的加利福尼亚算
Ｔｒａｎｓｐｏｒｔａｔｉｏｎ
ＣｏｍｐｌｅｘＳｙｓｔｅｍｓＴｈｅｏｒｙａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ
法．经过实践和进一步的深入研究，１９７８年Ｐａｙｎｅ
ＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００４４，Ｃｈｉｎａ）
和ＴｉｇｎｏｒＥｌ］公布了１０种基于最初的加州算法的改
进算法，其中性能最好的是加州７８算法和加州８
ｏ
Ａｂｓｔｒａｅｔ：Ｕｎｄｅｒｔｈｅｔｈｅｏｒｅｔｉｃａｌｆｒａｍｅｗｏｒｋｓｏｆｂｏｔｈ
ｔｈｅ
算法．１９９３年Ｃｈａｓｓｉａｋｏｓ和ＳｔｅｐｈａｎｅｄｅｓＬ２１开发了
ｔｒａｄｉｔｉｏｎａｌｆｕｎｄａｍｅｎｔａｌｄｉａｇｒａｍａｐｐｒｏａｃｈａｎｄｎｅｗｌｙ—ｄｅｖｅｌｏｐｅｄ一种低通滤波算法，采用移动平均的方法去除交通
ｔｈｒｅｅ—ｐｈａｓｅｔｒａｆｆｉｃｔｈｅｏｒｙ，ｗｉｔｈｒｅｇａｒｄｔｏｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｒａｆｆｉｃ
ｆｌｏｗ
ｂａｓｅｄ
ｏｎ
ｄｅｔｅｃｔｉｏｎ
ｄａｔａ。ｔｒａｆｆｉｃ
ｆｌｏｗｗａｓ
流参数实测数据中的噪声和高频成分，只保留低频ｓｐｌｉｔｔｉｎｇｉｎｔｏｔｈｒｅｅｔｒａｆｆｉｃｓｔａｔｅｓ，ｗｈｉｃｈｉｎｃｌｕｄｅｆｒｅｅｔｒａｆｆｉｃ，数据实现对交通拥挤的判别．同年Ａｂｄｕｌｈａｉｃ３］建立ｃｏｎｇｅｓｔｅｄｔｒａｆｆｉｃａｎｄ
ｊａｍｔｒａｆｆｉｃ．Ｉｎｔｈｅｌｉｇｈｔｏｆｔｒａｆｆｉｃｓｔａｔｅｓ
了概率神经网络（ＰＮＮ）对突发交通事件进行判别．ｄｅｆｉｎｉｔｉｏｎ，ｆｉｒｓｔｌｙ，ｔｒａｆｆｉｃｆｌｏｗｐａｒａｍｅｔｅｒｓｏｆｒｏａｄｎｅｔｗｏｒｋａｔ同年Ａｎｔｏｎｉａｄｅｓ和Ｓｔｅｐｈａｎｅｄｅｓ［４］开发了一种单监
ｔｈｅ
ｓａｍｅ
ｉｎｓｔａｎｔ
ｉＳ
ｔｒａｎｓｆｏｒｍｅｄ
ｔｏ
ｆｕｚｚｙ
ｉｎｆｏｒｍａｔｉｏｎ
测站交通事件判别算法（ＳＳＩＤ），运用统计分析中的
收稿日期：２０１１一０６一１３
基金项目：国家自然科学基金（５０７７８０１５）；国家“九七三”重点基础研究发展规划（２００６ＣＢ７０５５００）
第一作者：董春娇（１９８２），女，博士后助理研究员，工学博士，主要研究方向为智能交通系统、交通安全以及城市交通规划与管理
Ｅ－ｍａｉｌ：ｄｏｎｇｃｈｊ２００６＠１６３．ｃｏｍ
通讯作者：邵春福（１９５７），男，教授，博士生导师，工学博士，主要研究方向为交通规划、智能交通系统及交通安全．
Ｅ－ｍａｉｌ：ｃｆｓｈａｏ＠ｂｊｔｕ，ｅｄｕ．ｃｎ
同济大学学报（自然科学版）
第４０卷
万方数据
Ｔ检验方法分析单个监测站占有率数据差异实现对突发交通事件的判别．综上所述，早期的交通流状态判别算法主要以突发交通事件为研究对象，大部分都以感应线圈采集的交通流量、占有率和地点速度等交通流数据为基础，所采用的技术方法主要包括决策树、统计分析、平滑滤波等常规方法．经过近４０
年的发展，模糊理论、专家系统、模式识别、人工神经网络等人工智能技术已经成为交通流状态判别算法
设计的重要手段，除了常规交通检测器能够提供的
交通量、地点速度和占有率外，间接交通流状态判别算法设计的信息基础还包括车头时距、车辆的瞬时
速度与行程时间、交通流的平均行程时间与平均行
程速度等．交通流参数检测技术的发展为交通流状
态判别算法有效性的提高创造了条件．
本文在交通流状态界定的基础上，采用模糊粒
化的方法，将同时段道路网交通流状态参数映射为
含有低边界值Ｌ、中值Ｒ和高边界值【，三参数的模
糊信息粒，并建立Ｅｌｍａｎ网络模型对其变化趋势进
行预测，基于预测结果，计算道路网交通流状态综合指数，将交通流状态划分为自由流状态、拥挤流状态
和阻塞流状态，以期为不同状态下的交通流短时预测方法、控制及诱导策略提供技术支持．
１
交通流状态变化趋势预测方法
１．１交通流状态
道路交通流特性可用交通流状态描述，交通流在不同状态下呈现出不同的特征．基于我国城市快
速路交通流特性，结合基本图和三相交通流理
论［ｓ一引，可将交通流划分为自由流状态、拥挤流状态和阻塞流状态，如图１所示．图中，Ｑｒ。。为交通流率最
大值（即自由流状态下交通流率临界值），（乙。为时间占有率最大值（即阻塞流状态下占有率临界值）．
围１城市快速路交通流状态划分
Ｆｉｇ．１
Ｔｒａｆｆｉｃｆｌｏｗｓｔａｔｅｓｓｐｌｉｔｔｉｎｇ
ｏｎ
ｕｒｂａｎ
ｅｘｐｒｅｓｓｗａｙ
３种交通流状态下的交通特征为：①自由流状
态——交通流率较小，道路上行驶的车辆基本上不
受或少受其他车辆的影响，可以保持较高的车速；②
拥挤流状态
车辆行驶速度受到前车的制约，但
车流行驶状态比较稳定，且本身具有一定的抗干扰
能力，该状态下交通流率可以达到最大值，当交通需
求继续增加，会使车流产生较大的波动，车流运行速
度出现显著下降，交通流呈现出很大的波动性；③
阻塞流状态——交通流密度较大，速度受前车制约性强，车辆行驶自由度小，车速稳定性较差，显示出
较大的波动性，当交通流率继续增加，车流会出现走走停停现象．
１．２交通流状态变化趋势预测方法
交通流状态变化趋势预测是基于交通流参数实测值以预测交通流状态变化趋势和未来时段的交通
流状态．本文基于模糊信息粒化的思想，将同一时段
的道路网交通流参数映射为包含Ｌ，Ｒ，Ｕ三参数的
模糊信息粒，建立Ｅｌｍａｎ网络模型对三参数进行预测，判别未来时段交通流状态，其方法流程如图２所
示．图中，０ｆ。，０吣。和Ｏｊ。分别为自由流、拥挤流和
阻塞流状态下时间占有率临界值，Ｋ为道路网交通流状态综合指数．
２
交通流状态模糊信息粒化
２．１模糊信息粒化方法
信息粒化（ｉｎｆｏｒｍａｔｉｏｎｇｒａｎｕｌａｔｉｏｎ，ＩＧ）研究信
息粒化的形成、表示、粗细、语义解释等，通过不可区分性、功能相近性、相似性、函数性等划分对象集合啪．模糊信息粒是以模糊集表示的信息粒，用模糊集方法对时间序列进行模糊信息粒化，主要分两个
步骤：划分窗口和模糊化．划分窗１２１就是将时间序列分割成若干子序列，作为操作窗口；模糊化则是将产生的每一个窗ＶＩ进行模糊化，生成一个个模糊集．这
两种广义模式结合在一起就是模糊信息粒化，称为
ｆ－粒化．在严粒化中，最为关键的是模糊化的过程，
也就是在所给的窗口上建立一个合理的模糊集，使
其能够取代原来窗口中的数据，本文采用派垂驰（Ｗ．Ｐｅｄｒｙｃｚ）的粒化方法．
对于给定的时间序列，考虑单窗口问题，即把整
个时序Ｘ看成是一个窗口进行模糊化．模糊化的任
务是在Ｘ上建立一个模糊信息粒子Ｐ，即一个能够
合理描述Ｘ的模糊概念Ｇ（以Ｘ为论域的模糊集合），确定了Ｇ也就确定了模糊信息粒子Ｐ
声尘ｚ是Ｇ
（１）
第９期
董春娇，等：道路网交通流状态变化趋势判别方法
万方数据
基
于
Ｅｌｍａｎ
的模糊粒子预测
交通
流状态变化趋势预
测
－●－－－－一Ｌ－●＿－－－●‘●－－－●－－－一一●－●－＿●●一－●－●－－－－一一＿，●●●－一一－
图２交通流状态变化趋势判别方法流程
Ｆｉｇ．２
Ｆｌｏｗｃｈａｒｔｏｆｔｒａｆｆｉｃｓｔａｔｅｓｖａｒｉａｔｉｏｎｉｄｅｎｔｉｆｉｃａｔｉｏｎ
因此模糊化过程本质上就是确定一个函数Ａ的本文建立模糊信息粒子的基本思想：①模糊信的最佳平衡，可考虑建立如下关于Ａ的一个函数：
Ｑ—ＭＡ／Ｎａ
（２）
常用的模糊信息粒子有：三角形、梯形、高斯形、
用三角形模糊信息粒子作为描述同一时段道路网交
通流状态，其隶属函数如下；
ｆＯ，ｚ＜盘
Ａ（ｚ，ｎ，ｂ，（．）一＿《
Ｉ篙，口≤ｚ≤ｂｌ两Ｃ－－３。，６＜ｚ≤ｃ
（３）
ｌｏ，ｚ＞ｆ
式中：Ａ为隶属函数；ａ为三角形模糊信息粒子最小值；６为三角形模糊信息粒子中值；ｃ为三角形模糊信息粒子最大值．
２．２交通流状态模糊信息粒子计算
交通流状态是占有率的单值函数，因此以占有
率为输入，判别交通流状态变化趋势．设研究范围内
共有ｍ个断面，则ｔ时段共有Ｏ，，Ｏ。，…，Ｏ。个值反映交通流状态，借助模糊信息粒化的思想，建立三角形
模糊信息粒子模型，将同一时段的占有率映射为包
含３个参数（Ｕ，Ｒ，Ｌ）的模糊信息粒子描述道路网交通流状态，具体步骤为：
步骤１将同一时段的占有率Ｏ。，Ｏ：，…，Ｏ。按从小到大重新排序，设排序后的时间序列为０一（ｏ，，
０２，…，Ｏ。）．
步骤２确定三角形模糊信息粒子参数Ｒ．
Ｒ反映的是道路网交通流状态变化的平均趋势，可按下式计算：
Ｒ一｛生挚，以一２ｍ
ｒｏｍ，ｎ一２ｍ＋１
‘４’
步骤３确定三角形模糊信息粒子参数Ｌ．
Ｌ反映的是道路网交通流状态变化区间的最低值，其值既要小于Ｒ，又应具有独立性，计算公式为
ｆ
Ｌ一』
ＩｍａｘＩ垒型
ｆ∑Ａ（ｏ。）１
ｌ
Ｒ～Ｌ
Ｊ
ｌ
Ｉ
（５）
∑Ａ（ｏ；）
ｌ
Ｌ
２×芏竺Ｌ一一Ｒ
ｍ
步骤４确定三角形模糊信息粒子参数ＵＵ反映的是道路网交通流状态变化区间的最高值，其值既要大于Ｒ，又应具有独立性，计算公式为
ｆ
ｕ—Ｊ
｛ｍａｘｌ垒型
ｆ∑Ａ（ｏｔ）１
ｌ
ｕ～Ｒ
Ｊ
１．
ｌ
（６）
∑Ａ（ｏ。）
Ｉ
Ｌ
２×堕兰Ｌ一一Ｒ
ｍ
通过模糊信息粒子的计算，将反映道路网交通
过程，Ａ是模糊概念Ｇ的隶属函数．通常粒化时首先
确定模糊概念的基本形式，然后确定具体的隶属函
数Ａ．
息粒子能够合理地代表原始数据；②模糊信息粒子要有一定的特殊性．为满足上述两个要求，找到两者满足建立模糊信息粒子的基本思想②．
其中，ＭＡ满足建立模糊信息粒子的基本思想①，ＮＡ
抛物形等．其中三角形模糊信息粒子形式简单，且参
数设置和交通流状态变化趋势具有相似性．本文采
同济大学学报（自然科学版）
第４０卷
万方数据
流状态变化的占有率时间序列转化为具有３个参数的状态区间，为交通流状态变化趋势判别提供输入参数．
３基于模糊信息粒化的道路网交通流
状态变化趋势判别
结合模糊信息粒化结果，建立Ｅｌｍａｎ网络模型对三参数进行预测，判别交通流状态变化趋势．
Ｅｌｍａｎ网络是Ｅｌｍａｎ于１９９０年提出的，该模型在前
馈网络的隐含层中增加一个承接层，作为延时算子，以达到记忆的目的，从而使系统具有适应时变特性
的能力，能直接反映系统动态过程特性［８’９］．
Ｅｌｍａｎ网络一般分为４层：输入层、中间层（隐含层）、承接层和输出层，如图３所示，图中符号含义见式（７），（８）和（９）的参数解释．输人层的单元仅起
信号传输作用，输出层单元起线性加权作用，隐含层
单元的传递函数可采用线性或非线性函数，承接层
又称为状态层，它用来记忆隐含层单元前一时段的输出值并返回给输入，可认为是延时算子。
承接层４
图３
Ｅｌｍａｎ网络结构图
Ｆｉｇ．３
ＳｔｒｕｃｔｕｒｅｏｆＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ
Ｅｌｍａｎ网络的特点是隐含层的输出通过承接层
的延迟与存储，自联到隐含层的输入．这种自联方式
使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而
达到了动态建模的目的．基于Ｅｌｍａｎ网络的模糊信
息粒子预测模型如下：
ｙ（忌）一ｇ（ｗ３ｚ（尼））
（７）ｚ（尼）一ｆ（ｗｌｚ。（忌）＋训２（口（是一１）））
（８）
ｚ。（忌）一ｘ（ｋ一１）
（９）
式中：Ｙ，ｚ，ａ，ｚ。分别为ｍ维输出节点向量、竹维中
间层节点单元向量、ｒ维时间序列输入向量和７＂１维反馈状态向量；硼。，叫。，训，分别表示中间层到输出层、
输入层到中间层、承接层到中间层的连接权值；
ｇ（・）为输出神经元的传递函数，是中间层输出的线性组合；厂（・）为中间层神经元的传递函数，常采用
Ｓ函数，即厂（ｚ）一１／（１＋ｅ一）．Ｅｌｍａｎ网络学习指标函数采用如下误差平方和函数：
Ｅ（叫）一∑Ｅｙ。（训）一五（叫）］２
（１０）
式中：Ｅ（训）为学习指标函数；Ｙ。（叫）为目标输出向
量真值；五（叫）为目标输出向量预测值．
基于模糊信息粒化的Ｅｌｍａｎ网络交通流状态变
化趋势判别主要步骤为：
步骤ｌ建立Ｅｌｍａｎ网络模型对模糊信息粒子
进行预测；
步骤２根据预测的模糊信息粒子，计算道路网交通流状态综合指数，结合交通流状态划分阈值，判
别道路网交通流状态．
应用于交通流状态变化趋势预测的道路网交通流状态综合指数计算方法如下：
ｆ（Ｒ升－＋“。）／２，
‰一ｌ…
Ｉ（Ｒ升１＋Ｌ件１）／２，
‰１屯卅卜㈨ｒ－－Ｌ，）＞０（１１）【
（Ｕ件１一Ｌ卧１）～（Ｕ—Ｌ：）≤０
式中，Ｋ州为ｔ＋１时刻道路网交通流状态综合指数．根据计算的道路网交通流状态综合指数可判别道路网交通流状态变化趋势．
实证性研究
以图４所示预测范围内９个断面２４ｈ以２ｒａｉｎ
为时间间隔的交通流占有率数据，数据为６
４８０×１
型矩阵，按照模糊信息粒化模型对原始数据进行模糊信息粒化．本文将９个断面的交通流占有率数据作为一个窗口大小，将同一时段的占有率模糊粒化
为Ｌ，Ｒ，Ｕ三个参数，结果如图５所示．
北
令
憋
∽拶＿陬酝三环
●预测断面—－预测流向
一辅助断面一＋辅助流向
图４区域快速路网示意图
Ｆｉｇ．４
Ａｔｅｓｔｅｘｐｒｅｓｓｗａｙｎｅｔｗｏｒｋ
粒化后的３个参数均服从占有率的时间变化规
第９期
董春娇，等：道路网交通流状态变化趋势判别方法
万方数据
律，其中，Ｌ描述的是道路网交通流状态变化的最小
值；Ｒ描述的是道路网交通流状态变化的平均水平；Ｕ描述的是道路网交通流状态变化的最大值．
６０５０４０
ｊ鹫
基３０梨
２０１０
０９０
１８０２７０
３６０４５０５４０６３０７３０
粒化窗口数目
图５模糊信息粒化结果图
Ｆｉｇ．５
Ｒｅｓｕｌｔｏｆｏｆｆｕｚｚｙｉｎｆｏｒｍａｔｉｏｎｇｒａｉｎ
根据模糊信息粒化结果，建立Ｅｌｍａｎ网络模型对模糊信息粒子进行预测．训练输入样本为７１９×３
型矩阵，训练输出样本为７１９×３型矩阵，即以前一
时段的模糊信息粒子作为输入，预测下一时段模糊
信息粒子值，根据输入、输出样本的数据特征，设计Ｅｌｍａｎ网络输入节点为３，输出节点为３，隐层节点数由试算法确定，初步设定隐层节点数为４—１１，然
后用训练样本集合对Ｅｌｍａｎ网络模型进行训练测
试，评价其预测效果，选择出最优模型．表１为不同
隐层节点下训练的Ｅｌｍａｎ网络模型性能．
表１不同隐层节点下Ｅｌｍａｎ网络性能比较
Ｔａｂ．１
ＣｏｍｐａｒｉｓｏｎｏｆＥｌｍａｎＮＮｐｅｒｆｏｒｍａｎｃｅ
ｆｏｒｄｉｆｆｅｒｅｎｃｅｈｉｄｄｅｎｎｏｔｅ
由表１可知，隐层节点数为７的Ｅｌｍａｎ网络性能最好，因此采用隐层节点数为７的Ｅｌｍａｎ网络用
于模糊信息粒子的变化趋势预测．
以预测范围内１ｈ的交通流实测数据模糊粒化
值作为测试样本，利用训练得到的Ｅｌｍａｎ模型，对测试样本Ｌ，Ｒ，Ｕ进行回归预测，结果如图６ａ所示。由图６ａ可知，Ｒ参数的预测效果最好，Ｕ参数预测有
偏大的趋势，而Ｌ参数预测有偏小的趋势，３个参数预测的平均绝对百分比误差（ｍｅａｎ
ａｂｓｏｌｕｔｅ
ｐｅｒｃｅｎｔａｇｅ
ｅｒｒｏｒ，ＭＡＰＥ）与平均绝对偏差（ｍｅａｎ
ａｂｓｏｌｕｔｅ
ｄｅｖｉａｔｉｏｎ，ＭＡＤ）如表２所示．
表２基于Ｅｌｍａｎ网络的模糊信息粒子预测误差
Ｔａｂ．２
Ｐｒｅｄｉｃｔｉｏｎ
ｅｒｒｏｒ
ｏｆｆｕｚｚｙｉｎｆｏｒｍａｔｉｏｎ
ｇｒａｉｎｗｉｔｈＥｌｍａｎＮＮ
根据预测得到的Ｌ，Ｒ及Ｕ按式（１１）计算道路网综合状态指数，采用Ｏｆ，。一２２％，０ｃ。一５４％，Ｏ。
＝８０％作为道路网交通流状态判别阈值，判别结果
如图６ｂ所示，其中０ｆ，。，０ｃ。和Ｑ。分别为根据实测值估算的自由流、拥挤流和阻塞流状态下时间占有率临界值．３０个时问序列中共存在２次误判，判别准
确率为９３．３３％．
蔷藿箍ｊ醛
篓模糊信息粒实际值Ｍ
ａ模糊信息粒子回归预测结果
时间序列／ｍｉｎ
ｂ道路网交通流状态判别结果
图６基于Ｅｌｍａｎ网络的交通流状态变化趋势判别
Ｆｉｇ．６
Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔ
ｏｆｔｒａｆｆｉｃ
ｓｔａｔｅｓ
ｏｎ
ｅｘｐｒｅｓｓｗａｙｎｅｔｗｏｒｋ
ｗｉｔｈ
Ｅｌｍａｎ
ｎｅｕｒａｌ
ｎｇｔｗｏｒｋ
为了比较方法的有效性，以图４所示预测范围
内９个断面２４ｈ的交通流数据作为训练集建立交通流状态判别支持向量机（ＳＶＭ）模型，训练集数据为
６
４８０×３型矩阵，建模过程采用交叉验证方法优化
模型中的惩罚参数ｆ和核函数ｙ．优化后的ＳＶＭ模
型可以使训练集交通流状态判别结果准确率达到
同济大学学报（自然科学版）
第４０卷
９９．８３％．采用优化的ＳＶＭ模型，在相同条件下对道性研究，研究结果表明，本文提出的方法能够实现道路网交通流状态变化趋势的预测判别，准确率为
９３．３３％，同等条件下ＳＶＭ模型判别准确率仅为
８６．６７％．
路网交通流状态进行判别，结果如图７所示．由于是以当前时段的交通流参数判别未来时段的交通流状
态，因此存在一定的时滞性，３０个时间序列中共存在４次误判，判别准确率为８６．６７％．通过对比发现，本文提出的交通流状态变化趋势判别方法，判别准确
参考文献：
万方数据
率高，且优于基于ＳＶＭ的方法．
时间序列／ｍｉｎ
图７基于ＳＶＭ的快速路网交通流状态判别结果
Ｆｉｇ．７
Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆｅｘｐｒｅｓｓｗａｙｎｅｔｗｏｒｋ
ｔｒａｆｆｉｃｓｔａｔｅｓｗｉｔｈＳＶＭＭｏｄｅｌ
５
结语
（１）基于城市快速路交通流实测数据，结合基
本图和三相交通流理论，将城市快速路交通流状态划分为自南流状态、阻塞流状态和拥挤流状态．
（２）应用模糊信息粒化的方法，以道路网检测断面数为窗口，设计三角形模糊隶属函数，将同一时段的道路网交通流占有率映射为含有Ｒ，Ｌ和Ｕ三参数的模糊信息粒子表征道路网交通流状态变化趋
势．
（３）建立Ｅｌｍａｎ网络模型，以模糊信息粒参数
Ｒ，Ｌ和Ｕ为输入，预测道路网交通流状态变化趋
势，在此基础上计算道路网交通流状态综合指数，判别道路网交通流状态．
（４）以北京市某一区域路网为例，进行了实证
［１３
［２］Ｃｈａｓｓｉａｋｏｓ
Ｅ３］Ａｂｄｕｌｈａｉ
［４］Ａｎｔｏｎｉａｄｅｓ
Ｅｓ］ＢｏｒｉｓＥ６３
１－７３候方国，胡圣武．模糊信息粒化理论在空间信息系统地位的探
Ｅ８］ＤＯＮＧｆ９］董春娇，邵春福，熊志华，等．基于Ｅｌｍａｎ神经网络的道路网
ＰａｙｎｅＨＪ，ＴｉｇｎｏｒＳＣ．Ｆｒｅｅｗａｙｉｎｃｉｄｅｎｔ－ｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｂａｓｅｄ
ｏｎ
ｄｅｃｉｓｉｏｎｔｒｅｅｓｗｉｔｈ
ｓｔａｔｅｓＵ５．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ
Ｒｅｓｅａｒｃｈ
Ｒｅｃｏｒｄ６８２，１９７８：３０．
ＡＰ，Ｓｔｅｐｈａｎｅｄｅｓ，ＹＪ．Ｓｍｏｏｔｈｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒ
ｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈ
Ｒｅｃｏｒｄ１３９４，
１９９３：８，
Ｂ．Ａ
ｎｅｕｒｏ－ｇｅｎｅｔｉｃ—ｂａｓｅｄｕｎｉｖｅｒｓｉｔｙ
ｔｒａｎｓｆｅｒａｂｌｅ
ｆｒｅｅｗａｙ
ｉｎｃｉｄｅｎｔ
ｄｅｔｅｃｔｉｏｎ
ｆｒａｍｅｗｏｒｋ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ
ＲｅｓｅａｔｃｈＲｅｃｏｒｄ１８５９，１９９６：１７１．
Ｃ
Ｎ，Ｓｔｅｐｈａｎｅｄｅｓ
Ｙ
Ｊ．Ｓｉｎｇｌｅ—ｓｔａｔｉｏｎｉｎｃｉｄｅｎｔ
ｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ（ＳＳＩＤ）ｆｏｒｓｐａｒｓｅｌｙｉｎｓｔｒｕｍｅｎｔｅｄｆｒｅｅｗａｙ
ｓｉｔｅｓ［Ｃ］／／Ａｐｐｌｉｃａｔｉｏｎｓｏｆ
Ａｄｖａｎｃｅｄ
Ｔｅｃｈｎｏｌｏｇｉｅｓ
ｔｏ
ＴｒａｎｓｐｏｒｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮｅｗＹｏｒｋ：ＡＳＣＥ，ｔ９９５：２１８．
ＳＫｅｒｎｅｒ．Ｔｈｒｅｅ—ｐｈａｓｅｔｒａｆｆｉｃｔｈｅｏｒｙａｎｄｈｉｇｈｗａｙｃａｐａｃｉｔｙ
ＥＪ］．Ｐｈｙｓｉｃａ
Ａ，２００４，３３３：３７９．
Ｂｏｒｉｓ
ＳＫｅｒｎｅｒ，ＳｅｒｇｅｙＬＫｌｅｎｏｖ，ＡｎｄｒｅａｓＨｉｌｌｅｒ．Ｅｍｐｉｒｉｃａｌ
ｔｅｓｔｏｆ
ａ
ｍｉｃｒｏｓｃｏｐｉｃｔｈｒｅｅ—ｐｈａｓｅｔｒａｆｆｉｃｔｈｅｏｒｙ
ＥＪ］．Ｎｏｎｌｉｎｅａｒ
Ｄｙｎａｍｉｃｓ，２００７，４９：５２５，
讨［Ｊ］．测绘与空间地理信息，２００４，２７（３）：１４．
ＨＯＵＦａｎｇｇｕｏ，ＨＵＳｈｅｎｇｗｕ．Ｓｔｕｄｙ
ｏｎ
ｔｈｅｐｏｓｉｔｉｏｎｏｆＴＧＩＦｉｎ
ｓｐａｔｉａｌｉｎｆｏｒｍａｔｉｏｎ
ｓｙｓｔｅｍ［Ｊ］．Ｇｅｏｍａｔｉｃｓ＆Ｓｐａｔｉａｌ
Ｉｎｆｏｒｍａｔｉｏｎ
Ｔｅｃｈｎｏｌｏｇｙ，２００４．２７（３）：１４．
Ｃｈｕｎｊｉａｏ。ｓｌ讼ｏ
Ｃｈｕｎｆｕ，ＬＩＸｉａ．Ｓｈｏｒｔ－ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗ
ｆｏｒｅｃａｓｔｉｎｇ
ｏｆ
ｒｏａｄ
ｎｅｔｗｏｒｋ
ｂａｓｅｄ
ｏｎ
ｓｐａｔｍｌ・ｔｅｍｐｏｒａｌ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｒａｆｆｉｃ
ｆｌｏｗ［ｃ］／／２００９ｗ砌Ｗｏｒｌｄ
Ｃｏｎｇｒｅｓｓ
ｏｎ
Ｃｏｍｐｕｔｅｒ，Ｓｃｉｅｎｃｅａｎｄ
Ｉｎｆｏｒｍａｔｉｏｎ
Ｅｎｇｉｎｅｅｒｉｎｇ，Ｌｏｓ
Ａｎｇｅｌｅｓ：Ｉｓ．ｎ．］，２００９：６４５．
短时交通流预测方法［Ｊ］．交通运输系统工程与信息，２０１０，１０
（１）：１４５．
ＤＯＮＧＣｈｕｎｊｉａｏ，ＳＨＡＯＣｈｎｎｆｕ，ＸＩＯＮＧＺｈｉｈｕａ，ｅｔａ１．Ｓｈｏｒｔ．
ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｆｏｒｅｃａｓｔｉｎｇｏｆｒｏａｄｎｅｔｗｏｒｋｂａｓｅｄ
ｏｎ
Ｅｌｍａｎ
ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ［ｊ］．Ｊｏｕｒｎａｌ
ｏｆ
ＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ
ＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１０，１０（１）：１４５．
道路网交通流状态变化趋势判别方法
作者：作者单位：刊名：英文刊名：年，卷(期)：
董春娇， 邵春福， 谢坤， 李慧轩， DONG Chunjiao， SHAO Chunfu， XIE Kun， LI Huixuan
董春娇,DONG Chunjiao(田纳西大学交通研究中心,田纳西诺克斯维尔37996;北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044)， 邵春福,李慧轩,SHAO Chunfu,LI Huixuan(北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京,100044)， 谢坤,XIE Kun(田纳西大学交通研究中心,田纳西诺克斯维尔37996)
同济大学学报（自然科学版）
Journal of Tongji University(Natural Science)2012,40(9)
参考文献(9条)
1. Payne H J;Tignor S C Freeway incident-detection algorithms based on decision trees with states 19782. Chassiakos A P;Stephanedes,Y J Smoothing algorithms for incident detection 1993
3. Abdulhai B A neuro-genetic-based university transferable freeway incident detection framework 1996
4. Antoniades C N;Stephanedes Y J Single-station incident detection algorithm (SSID) for sparsely instrumented freeway sites 19955. Boris S Kerner Three-phase traffic theory and highway capacity 2004
6. Boris S Kerner;Sergey L Klenov;Andreas Hiller Empirical test of a microscopic three-phase traffic theory 20077. 候方国;胡圣武 模糊信息粒化理论在空间信息系统地位的探讨[期刊论文]-测绘与空间地理信息 2004(03)
8. DONG Chunjiao;SHAO Chunfu;LI Xia Short-term traffic flow forecasting of road network based on spatial-temporal characteristics of traffic flow 20099. 董春娇;邵春福;熊志华 基于Elman神经网络的道路网短时交通流预测方法[期刊论文]-交通运输系统工程与信息 2010(01)
本文链接：http://d.g.wanfangdata.com.cn/Periodical_tjdxxb201209008.aspx