ITS课件-第3章ppt课件.ppt

ITS课件-第3章2第第3章章 人工智能在交通管理中应用人工智能在交通管理中应用智能交通 王江锋 编著本章节目录本章节目录33.1 概述3.2 主动交通管理3.3 交通管理中人工智能技术应用43.1 3.1 概述概述3.1 概述 先先进进的的交交通通管管理理系系统统（Advanced Traffic Management System，ATMS）是ITS的重要子系统，该系统通过对交通信息的采集、传输与处理，实现交通从简单静态管理到智能动态管理转变，使动静态交通信息最大限度地被出行者、交通管理者、交通研究人员所利用，从而保障综合交通系统的高效运行，满足公众不断扩大的交通需求。l ATMS的特点 1）车车辆辆、道道路路和和交交通通管管理理一一体体化化 2）城城市市交交通通信信号号控控制制系系统统网网络络化化 3）信信息息采采集集技技术术多多样样化化 超声波检测器、光检测器、红外线检测器和各种视频监视系统，高速公路管理中使用的可变信息标志、CCD摄像监视系统等。 4）城城市市交交通通信信号号控控制制功功能能人人性性化化 ITS信号控制新功能有：右（左）转弯功能感应控制；公共交通感应控制；“进退两难区”感应控制；老弱病残专用控制。53.1 3.1 概述概述 3.1 概述l ATMS的基本结构 1）交通监控系统）交通监控系统 2）交通信息综合管理系统）交通信息综合管理系统 3）电子收费系统）电子收费系统 4）公共交通管理系统）公共交通管理系统 5）交通事件管理系统）交通事件管理系统 综上所述，ATMS的基本功能包括以下几个方面：交通法规监督与执行；交通运输规划支持；基础设施维护与管理；交通控制；交通需求管理；紧急事件管理；车辆行车诱导及停车诱导；公交优先管理；交通信息综合服务管理。 l ATMS的功能 1）信息提供）信息提供 2）交通控制）交通控制 3）交通事故处理）交通事故处理 4）排放测试与污染防治）排放测试与污染防治 5）应急管理）应急管理 6）电子收费）电子收费 7）提高养护操作效率）提高养护操作效率 8）特种车辆通行管理）特种车辆通行管理63.2 3.2 主动交通管理主动交通管理 3.2 主动交通管理l 概念 主动交通管理（主动交通管理（Active Traffic Management，ATM）包括一系列完整连贯的交通管理措施，它可以对常发和偶发的交通拥堵进行临时管理，使现有交通设施发挥最大效益。ATM通过运用高新科技，自动对城市交通进行临时调度和调整，在优化交通系统性能的同时，避免人工调度产生的时间延误，提高交通系统通行能力和交通运行安全性。 ATM的系统组成如图3-1所示。 图3-1 ATM系统组成73.2 3.2 主动交通管理主动交通管理3.2 主动交通管理 图3-2 ATM工作流程l 概念 ATM是建立在实时预测交通状况基础上的临时交通管理，其利用自动化控制系统和干预策略来管理交通，以实现道路交通效率的最大化。ATM的控制逻辑是一种反馈过程，如图3-2所示。83.2 3.2 主动交通管理主动交通管理l ATM的目标 1）提高用户出行可靠度）提高用户出行可靠度 2）改善交通安全）改善交通安全l ATM的主要措施 1）速度协调控制（）速度协调控制（Speed Harmonization） 速度协调控制通过实时自动调整拥堵区域车辆运行速度，减少由事故和其他事件引起的交通拥堵对整个区域交通运行的影响，同时减少二次事故发生的可能性。 M. Cremer利用交通流三要素的关系公式定量地阐述了可变限速对路段交通流的控制效果，提出一个在可变限速条件下的交通量计算公式为： （3-1） 可变限速策略的制定主要是确定限速值，限速值的确定通常有两种方法：（1）经验统计法；经验统计法；（2）数学模型法数学模型法。 mnlbmfbvbq)23(1),(3.2 主动交通管理93.2 3.2 主动交通管理主动交通管理 2）匝道控制（）匝道控制（Ramp Metering） 入口匝道控制是最常用的一种高速公路交通控制策略，能够优化主线交通流状态，提高安全性。基本原理是控制入口匝道处高速公路上、下游的交通流量。目的是控制高速公路干道交通流量，通过计算匝道上游的交通需求与下游通行能力的差额确定最佳入口匝道流量控制，从而保证高速公路的交通需求不超过其交通容量，使高速公路主线交通流处于最佳状态。 根据控制范围不同，匝道控制可以分为单独式匝道控制与协调式匝道控制。 图3-3 匝道控制原理示意图3.2 主动交通管理l ATM的主要措施103.2 3.2 主动交通管理主动交通管理 下面将详细介绍几种研究或应用较多的匝道控制算法匝道控制算法： （1）ZONE算法算法：该算法是将长为3-6mile的高速公路路段定义为一个ZONE，其控制目的是保持每一个ZONE的交通流密度分布均匀。计算公式为： A+U+M+F=X+B+S （3-2） 式中，A为上游高速公路流量，veh/h；U为非控制匝道车流量，veh/h；M为控制匝道车流量，veh/h；F为从实施控制高速公路转移过来的车流量，veh/h；X为离开匝道的流量总和，veh/h；B为下游瓶颈路段的通行能力，veh/h；S为区段可利用空间。 当公式（3-2）中的S = 0时，可以得到匝道最大流量计算公式为： M+F=(X+B) - (A+U) （3-3） 其中，匝道调节率由（M+F）的值和匝道特征决定。 ZONE算法能明显提高高速公路的交通流量，改善交通流状态，增加交通安全性。但由于各个控制参数与控制目标关系不清楚，参数调整难度较大，应对突发事件的适应性不强。3.2 主动交通管理l匝道控制（Ramp Metering）113.2 3.2 主动交通管理主动交通管理 （2）神经网络算法）神经网络算法 神经网络算法因其强大的非线性近似能力被引入到匝道控制中，该算法基本原理是把每个匝道处的主流交通视为一个非线性反馈控制问题，其基本流程图如图3-4所示。该算法能直接应用于非线性系统，无需进行线性化处理；但其迭代过程复杂，收敛速度较慢，难以满足匝道控制的实时性要求。 图3-4 神经网络算法基本流程图3.2 主动交通管理l 匝道控制（Ramp Metering）123.2 3.2 主动交通管理主动交通管理 （3）LINKED-RAMP控制算法控制算法：LINKED-RAMP控制算法是基于需求-容量理论，用每个位置所检测到的上 游流量来确定匝道控制的调节率，公式为： （3-4） 该算法模型简单，求解方便，但此算法不适合交通拥挤的情况。 min(1) ( ) ( ) ( )CQ kCQ kr krCQ k （4 4）模糊逻辑算法：）模糊逻辑算法：模糊逻辑算法是一种比较新型的智能化控制方法。其操作简单，能有效利用残缺的数据，平衡相互冲突的目标值，且无需广泛的系统模型；但确定此方法的模糊规则有些困难，不仅需要依赖历史经验，还需要大量的时间和精力进行试验以对其参数进行标定。 图3-5 模糊逻辑算法流程图3.2 主动交通管理l 匝道控制（Ramp Metering）133.2 3.2 主动交通管理主动交通管理 （5）线性规划算法：）线性规划算法：线性规划算法是基于线性规划公式而建立的匝道控制算法，其控制目标是使系统中某项指标达到最大或最小，以达到系统最优的效果。线性规划算法的应用需要依据大量的实时和历史的交通数据，约束条件多，计算量大，因此对硬件设备的要求较高。 目标函数： （3-5） 约束条件： （3-6） 线性规划算法能够使用数学手段进行求解以有效地控制交通流，但算法的复杂性较高。算法的实现基于一段时间内相对稳定的交通状态，忽略了交通流的动态因素。1niiiZAU12minmax120mainihhhihiiiiiiiiQUQUQUQi UCUNDNDULUUU3.2 主动交通管理l 匝道控制（Ramp Metering）143.2 3.2 主动交通管理主动交通管理 3）排队预警（排队预警（Queue Warning） 4）动态信息标志路径推荐（动态信息标志路径推荐（Rerouting Information on Dynamic Message Signs） 5）汇入控制（汇入控制（Merge Control） 6）车道管理（车道管理（Managed Lanes） 7）增加车道（增加车道（Plus Lane） 8）临时路肩使用（临时路肩使用（Temporary Shoulder Use） TSU策略是国外应用较广的一种高速公路控制手段。高速公路交通拥堵的本质是上游的交通需求超过了下游路段的交通容量，临时路肩开放策略为高速公路提供了额外的通行能力，能够非常好地缓解拥挤，同时合理的配合管理措施又能保证路肩行车的安全性。 9）货车限制（货车限制（Truck Restrictions） 10）拥堵收费（拥堵收费（Congestion Pricing）3.2 主动交通管理l ATM的主要措施153.2 3.2 主动交通管理主动交通管理（1）拥堵收费原理 为解决城市交通拥挤问题，人们根据经济学中的价格机制原理，利用交通出行需求与出行费用之间的反向变化关系，提出了拥堵收费的思想，期望通过采取收费措施，提高用户的出行成本费用，控制交通需求量，使系统处于最优的拥挤状态，该状态下的收费为最优收费，又称为边际成本边际成本定价定价，它的实施条件是路网中存在完善的收费体制，对路网中每个路段上的用户都收取价值为边际成本通行费边际成本通行费（Marginal Cost）的费用。从经济学的角度对于边际成本定价原理的解释如图3-6所示。 图3-6 拥堵收费示意图3.2 主动交通管理l 拥堵收费（拥堵收费（Congestion Pricing）163.2 3.2 主动交通管理主动交通管理 若单位时间价值用表示且己知，则可得到单位距离车辆运行的总成本，即出行用户平均可变成本（用户的认知成本），或称为边际用户个人成本（Marginal Private Cost，MPC），计算公式： MPC = 单位距离车辆运行费用+单位距离出行时间 （3-7） 假设道路交通系统中有n辆车，MPCW表示边际用户的加入所产生的外部效果，则MSC的计算公式为： （3-8） D为需求曲线，表示不同交通量下道路用户的边际收益。如图3-11中A点所示，此时交通量为q1，出行成本为C1。当用户出行所获收益大于用户的个人成本时，用户就会选择继续出行，直到两者相等，到达B点，此时交通量为q2，出行成本为C2，该点即为用户最优平衡点。当交通量为Q，每个用户的出行成本为C时，系统总成本用TC表示，公式为： （3-9） 1MSCMPCnMPCWTCCQ3.2 主动交通管理 l 拥堵收费（拥堵收费（Congestion Pricing）173.2 3.2 主动交通管理主动交通管理 由此，道路系统中每增加一辆车所带来的边际成本则用MC表示，公式为： （3-10） 从公式（3-10）中可以看出，边际成本等于新加入用户的自身成本加上给系统其他用户所增加的成本，这部分除自身以外的成本称为拥挤产生的外部成本，其表示边际用户对其他用户的影响，MTC即为拥堵收费的价格。MTC公式为： （3-11） （2）交通拥堵收费的基本方式 交通拥堵收费的基本方式一般可以分为五种类型： 境界线收费方案（境界线收费方案（Cordon Pricing） 区域通行证收费方案（区域通行证收费方案（Area Licensing） 基于出行距离的收费方案（基于出行距离的收费方案（Distance-Based Charging） 基于出行时间的收费方案（基于出行时间的收费方案（Time-Based System） 基于路段的收费方案（基于路段的收费方案（Link-Based Charging） /MTCQdCdQ/MCdTCdQCQdCdQ3.2 主动交通管理l 拥堵收费（拥堵收费（Congestion Pricing）183.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用3.3 交通管理中人工智能技术应用l 3.3.1 基于多分类器的交通拥堵预测 1. 用于拥堵预测的用于拥堵预测的AdaBoost算法算法 设S=(x1, y1), (xN, yN)为训练样本集，其中xi为n维输入向量，yi （i=1, 2, , L）为样本类别，记单个分类器的预测函数为f :Rn 1, 2,，L。 在AdaBoost算法中，每一个训练样本都被赋予一个权重，表明它被当前分量分类器选入训练集的概率，并根据预测函数的输出与期望输出的差异来调整样本权重。设D是训练样本集上由样本权重构成的一个分布，分类器f的训练误差定义公式为： （3-12） 设T为Boosting的最大轮数，令t=1，T，wt(i)为Boosting至t 轮时样本（xi, yi）的权重，Wt =wt(1),wt(i),wt(N)为t轮时训练样本集的权重向量，t为t轮时所得分类器ft的权重。AdaBoost算法描述如下：)(11),(iixfymiiDSDfTE193.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用3.3 交通管理中人工智能技术应用l 3.3.1 基于多分类器的交通拥堵预测 1）初始化w1=1/N，1/N，1/N 2）for all t=1，2，T （1）依Wt从S中重新抽样得到St，调用元学习算法从St，训练得到分类预测函数ft，使得训练误差TEt = TE(fi, Dt, S) 0.5则MCS将x判为属于第一类，否则判决属于第二类。)(xfkimikiikfxfwh1)(11miiw）（L, 2 , 1k ,xhkf）（xhmaxargkfL ,2 , 1lmiifxfmh1)(1233.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用3.3 交通管理中人工智能技术应用l 3.3.1 基于多分类器的交通拥堵预测 记基分类器的输出误差为： （3-18） 定义基分类器的泛化误差为： （3-19） m个基分类器泛化误差的平均值为： （3-20） 此时，采用简单平均法的多分类器系统的输出为： （3-21） 假设ei(x)具有零期望值且相互独立，则多分类器系统的泛化误差为： （3-22） )(xfyeii)(2iieECMSE112miieEmMSE)(1)(1)(11xemyxfmxfmiimiiSAmiimiiSAeEmemEfMSE1222111)(243.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 3.3 交通管理中人工智能技术应用l 3.3.1 基于多分类器的交通拥堵预测 可以看出， ，说明：当各基分类器的输出误差具有零期望值且相互独立时，通过输出的简单平均能使多分类器系统的泛化误差随着基分类器的个数的增加而减小。 当采用加权平均时，多分类器系统的泛化误差为： （3-23） 可以看出，通过适当选取各基分类器的权重，有可能比采用简单平均得到更好的泛化能力。 Sollich等指出：在基分类器个数较多时，没有必要对基分类器的权重进行优化，使用简单平均法更为适合。而在基类器个数较少的时候，或者样本中噪声较多时，对基分类器的权重进行优化将提高系统的泛化能力。由于构建的基分类器个数较多，所以建立的MCS拥堵预测模型采用简单平均法。 MSEmfMSESA1)(21)(miiiSAewEfMSE253.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 3.3 交通管理中人工智能技术应用l 3.3.1 基于多分类器的交通拥堵预测 3. 交通拥堵预测仿真实验交通拥堵预测仿真实验 表3-2 交通拥堵预测的三种模型结果比较 如表3-2所示，多分类器拥堵预测模型的性能均明显优于单个神经网络预测模型。在三种预测模型中Bagging模型的性能最优，达到了最佳的拥堵预测准确率和误报率的组合。在使用Bagging方法建立预测模型时，在一定范围内选择合适的隐层神经元个数和学习代数均取得了较为满意的结果，避免了单个神经网络易于陷于局部最小和过学习的缺点。预测模型预测模型BP神经网络神经网络Bagging预测模型预测模型AdaBoosting预测模型预测模型预测准确率（%）78.190.188.6误报率（%）1.750.751.00263.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用3.3 交通管理中人工智能技术应用l 3.3.2 基于车路协同的路径诱导 1. 阻抗函数阻抗函数 在基于车路协同的路径诱导策略的制定过程中，上位路侧单元（RoadSide Unit，RSU）根据阻抗函数将流量信息转化成阻抗信息。阻抗函数反映路网的特性，是进行路径诱导的基础和高效诱导的保证。图3-7为车路协同环境下路径诱导示意图。 图3-7 车路协同环境下路径诱导示意图273.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 目前，实际应用中最广泛的阻抗函数是美国联邦公路局函数（BPR函数）。BPR函数公式为： （3-24） 式中，L(i)为第i条路径在流量xi下的阻抗大小，s；Li0为第i条路径在自由流状态下的行程时间，s；xi为第i条路径的交通流量，pcu/h；Ci为第i条路径的实际通行能力，pcu/h；，为模型待定参数。 设速度流量函数为V(x)，V(0)= V0(自由流速度)，xmax为最大流量， V(xmax)= Vm，则和的公式为： （3-25） （3-26） （3-27） （3-28） 0( )1(/) iiiL iLxC1( )V x00maxmmVVV Vx002mVVV3.3 交通管理中人工智能技术应用l 3.3.2 基于车路协同的路径诱导01V283.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 （3-29） （3-30） BPR函数忽略了某些重要情景。例如，在实际情况中某条路段由于发生事故可能导致该路段交通完全瘫痪，交通瘫痪路段的流量xi=0。而由BPR函数得到L(i) = Li0= min L(i)，这违背了实际情况。为了防止这种情况出现，引入事故变量yi。yi=1代表路段i出现交通瘫痪，yi = 0则表示未出现。此时阻抗函数则适用于具有监测和共享流量信息和交通事故信息的车路协同环境，阻抗函数如公式为： （3-31） 式中，为待定参数，表示事故对交通影响程度。若该条路段完全瘫痪，+ 0( )1(/) iiiiL iLxCy12mVmax11x 3.3 交通管理中人工智能技术应用l 3.3.2 基于车路协同的路径诱导293.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 2. 路径诱导策略路径诱导策略 图3-8 基于车路协同的路径诱导策略流程3.3 交通管理中人工智能技术应用l 3.3.2 基于车路协同的路径诱导303.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测 1. 张张量量简简介介 张量可视为向量和矩阵在高阶的推广，常被称为多维向量或多维矩阵。采用张量对数据进行表示和处理能够有效反应和挖掘各数据元素间的多维相关性。目前，张量理论可大致划分为张量分解理论与张量填充理论两种分支。 2. 算算法法设设计计 1）动动态态张张量量介介绍绍 动态张量模型可以理解为结合历史区间数据和预测区间数据，设置张量维度中的数据随时间变化而更新，对预测区间中未知元素进行填充。 2）基基于于张张量量填填充充的的预预测测算算法法 预测算法引入了交替方向乘子法对张量核范数最小化问题进行求解。为清楚阐述预测算法的原理，将预测算法按照运算逻辑划分为三个主要步骤：313.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 2）基于张量填充的预测算法）基于张量填充的预测算法 （一）算法函数 设A为由交通流多模式数据构成的三维动态张量，大小为I1I2I3。同样设置大小为I1I2I3的非负权重张量W，权重张量中元素赋值如下： （3-32） 可得估计张量 。引入三个相同大小的三维张量M1、M2及M3，则算法函数可定义为张量核范数最小化问题： （3-33） 式中，M1(1)为M1按模式I1（I2I3）展开所得数值矩阵，同理M2(2)、M3(3)为M2、M3按模式I2（I1I3）、（I1I2）I3展开所得数值矩阵。参数1、2及3满足1 + 2 + 3 = 1，实际运算中3个参数常取相等数值。AxAxWiii01AWA 1231231 12 23 3,minA MMMMMM1,2,3,)(is.t.iiMA3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测323.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 （二）增广拉格朗日函数 对算法函数（3-33）进行推导，可得其增广拉格朗日函数： （3-34） 借助交替方向乘子法思路，可对公式（3-34）进行迭代： （3-35） （3-36） （3-37） 交替方向乘子法可确保增广拉格朗日函数中迭代过程的收敛性，加快参数迭代计算过程。 321231231(,),2iiiii iFiLA MMMY Y YMAMYMA1231111111123,123123,argmin,kkkkkkkkkkLMMMMMMAMMMYYY1111111123123argmin,kkkkkkkkLAAAMMMYYY1111kkkkiiYYMA3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测333.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 （三）迭代问题 对于M1、M2及M3，每次更新有如下优化问题： （3-38） 通过奇异值收缩算子计算可得公式（3-35）的闭形式解为： （3-39） 对于 ，每次更新有如下优化子问题： （3-40） 由一阶最优性条件可得其解为： （3-41） 2( )1argmin2iiiii iiFMYMMAM( )( )( )/1(, )(),iii iii ifoldifoldi MMDdAYA231argmin2iiiFAYA=AM311iiiNYA =M3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测343.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 则N阶张量的HaLRTC算法模型函数与增广拉格朗日函数可描述为： （3-42） （3-43） 通过反复计算与更新各张量，直至迭代次数达到设定阈值，计算估计张量并输出张量中位置为（I1, I2, I3）的数据元素作为预测值。3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测1( ), ,1minnnii iiA MMM2*=1(,),2LLnniiFiLYni iiiX MMMXMMX1( )YY1353.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 3）实例分析）实例分析 以G4京港澳高速公路杜家坎路段速度数据为例构建三维动态张量模型，交通数据每5分钟采集一次，一天共采集288个数据，将5分钟称为预测实验中的一个时间步长，选取2016年4月到2016年6月共计10周的交通数据，张量结构如图3-9所示。 图3-9 动态张量数据组合形式3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测363.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 （1） 天维度预测精度 针对天维度，分析算法在周维度与时段维度预测精度的变化规律，选择平均绝对百分比误差（平均绝对百分比误差（Mean Absolute Error，MAE）为评价指标。图3-10为不同周维度、时段维度下第10周周1的交通流速度预测精度结果。从时段维度上看，预测精度随着时段维度的增大而增大，在时段维度为18或20时预测精度呈现平面状态，MAE指标稳定在2.8%左右；从周维度上看，MAE在周维度大于6后表现出略微增长趋势，说明所提出预测算法能够基于较少历史数据较快达到良好预测效果。 图3-10 天维度预测精度MAE变化趋势3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测373.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 （2）周维度预测精度 针对周维度，分析算法在同周不同日的预测精度。表3-3为不同周维度、时段维度调整下第11周共计7天的交通流速度预测结果，MAE指标平均值约为3.6%。其中非工作日预测精度较低，说明当交通流波动加大时，所提出算法需要更多历史数据方能达到良好预测效果。 表3-3 算法第11周速度预测精度结果 周一周一周二周二周三周三周四周四周五周五周六周六周日周日周维度6766889时段维度18162020181618MAE2.62.93.13.43.44.65.43.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测383.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 为深入分析所提出预测算法针对交通流数据波动较大时的预测性能，分别选取第11周周四与周日作为分析对象，算法的预测精度结果如图3-11所示。结果表明，当出现明显速度波动时，所提出算法依然能够有效预测速度波动，即使在速度波动频繁的周日，算法也能取得良好的预测效果，成功实现对两个速度高峰时期的曲线跟踪。 （a）周四预测精度结果 （b）周日预测精度结果 图3-11 所提出算法针对速度波动的预测结果3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测393.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 表3-4给出了不同比例缺失数据情况下所提出算法的预测精度结果，预测精度随缺失数据比例增大而呈现下降趋势，说明所提出算法对数据缺失较为敏感，在短时交通流预测时也会对数据完整性有一定数据完整性要求。 缺失比例缺失比例数据缺失预测数据缺失预测预处理后预测预处理后预测02.62.610%11.52.720%18.03.030%23.42.940%27.73.050%30.43.03.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测表3-4 缺失数据下所提出算法预测精度结果403.3 3.3 交通管理中人工智能技术应用交通管理中人工智能技术应用 选择ARIMA、BPNN和KNN作为比较算法，进一步比较分析不同比例数据缺失情况下所提出算法的预测性能。为保证算法预测结果有效性，利用不同比例缺失数据分别进行四种算法预测性能测试，重复进行10次测试结果的MAE指标平均值如图3-12所示。随着数据缺失比例增大，四种算法的预测精度均有所下降。相比较而言，所提出算法的预测效果较好，明显低于其他三种经典算法预测误差。 图3-12 缺失数据下四种算法预测精度结果3.3 交通管理中人工智能技术应用l 3.3.3 基于张量模型的短时交通流预测本章习题本章习题41 思考题：思考题： 1. 简述先进的交通管理系统的功能。 2. 简述ATM与TDM的区别与联系。 3. 简述分类器组合及AdaBoost算法和Bagging算法的基本思想。 4. 思考基于车路协同的路径诱导与传统路径诱导的区别与联系。 5. 简述张量模型的基本思想。 6. 举例说明人工智能在交通管理中的应用。