摘要
精准的短时交通状态预测是实施有效的交通管理与控制的重要依据。而可预知性特殊事件(PSEs)短时间内在其举办地点周边产生异常的交通出行需求,又因为事件发生数量少、数据样本收集困难等不利因素,往往造成预测精度难以保证。为此,通过实测数据分析了PSEs下短时交通演化特性,在此基础上,采用改进的K近邻算法框架建立了短时交通状态预测模型;并且提出了基于深度强化学习的该预测模型实时动态优化方法。最后以北京市演唱会场景为例对模型的效果进行了验证。结果表明,提出的预测模型在多步预测实验中,相对于其他七种对比预测模型,平均减少残差值12.43%、绝对值百分比误差29.90%。这证明了该模型有优异的快速调整能力,更适应于PSEs场景下短时交通状态预测任务。
-
单位上海市城市建设设计研究总院; 北京航空航天大学