用于自适应交通信号控制的短时排队长度灰色预测模型
系统与控制
2020-01-01 v1 人工智能
机器学习
系统与控制
摘要
信号交叉口的交通拥堵极大降低了城市地区的行程时间可靠性。自适应信号控制系统(ASCS)是最先进的交通信号技术,它考虑实时模式来调节信号相位与配时,以缓解拥堵。实时排队长度预测可用于在ASCS下调整交叉口各流向的相位与配时。预测精度随车辆到达率的随机性、时段、天气和驾驶员特征等因素而变化。此外,多车道、欠饱和与饱和交通场景下的准确预测颇具挑战。因此,本研究的目标是开发可供ASCS利用的信号交叉口排队长度预测模型,采用四种灰色系统变体:(i)一阶单变量灰色模型(GM(1,1));(ii)带傅里叶误差修正的GM(1,1);(iii)灰色Verhulst模型(GVM);以及(iv)带傅里叶误差修正的GVM。灰色模型的有效性在于其处理快速;这些模型不需要大量数据(而人工智能模型需要);且不同于统计模型,它们能适应随机变化。我们使用来自南卡罗来纳州列克星敦一个已校准道路网上5个ASCS交叉口的排队长度数据进行了案例研究。将灰色模型与线性、非线性时间序列模型以及长短期记忆(LSTM)神经网络进行比较。基于分析,我们发现EGVM在预测平均与最大排队长度时,相较最接近的竞争模型(即LSTM与时间序列模型),按均方根误差分别降低预测误差40%和42%,按平均绝对误差分别降低51%和50%。
引用
@article{arxiv.1912.12676,
title = {Grey Models for Short-Term Queue Length Predictions for Adaptive Traffic Signal Control},
author = {Gurcan Comert and Zadid Khan and Mizanur Rahman and Mashrur Chowdhury},
journal= {arXiv preprint arXiv:1912.12676},
year = {2020}
}
备注
16 pages, 8 figures, submitted to Expert Systems with Applications