基于多源数据的城市道路网络行程时间预测模型＊

江 周 张存保 许志达 严凤祥 丁国飞

（1.武汉理工大学智能交通系统研究中心 武汉430063；2.嘉兴市交通运输局 浙江嘉兴314001）

0 引 言

行程时间作为反映交通状况的重要指标之一，既能为交通管理部门提供交通管理与控制的数据支持，又能为出行者选择出行路线或调整出行计划提供依据。在先进的交通管理系统和先进的出行者信息服务系统中，行程时间预测是构建这2系统的核心基础之一。

目前，行程时间预测已成为智能交通系统的热点研究领域。国内外关于行程时间预测的方法主要有：卡尔曼滤波［2］、自回归模型［3］、指数平滑［4］、支持向量机［5］和人工神经网络［6］等。其中，卡尔曼滤波模型具有实时性强、预测精度高、计算所需的计算量和存储空间较少、可以在线预测等优点，得到了广泛关注和应用。朱中［7］、温惠英等［8］利用固定检测器数据分别预测高速公路行程时间和城市道路行程时间；唐俊［9］、朱爱华［10］利用浮动数据分别预测高速公路行程时间和城市道路行程时间。但是，在利用卡尔曼滤波进行行程时间预测时，现有研究大多采用单一数据源进行预测。而采用单一数据源进行预测时，受外部环境的影响较大，预测精度不高。由于浮动车与固定检测器在交通信息种类、数据精度等方面具有较强的互补性，笔者综合利用多种检测器采集的交通数据，建立行程时间预测模型，从而提高城市道路网络行程时间预测的准确性。

1 行程时间预测模型的输入参数选取

目前，在实际交通数据采集过程中，常采用浮动车、固定检测器进行数据采集。……