基于机器学习的城市快速路速度-密度关系模型

为进一步提高速度-密度关系模型的精度以及更加精确刻画当前道路交通流动态变化特性,采用基于机器学习的方法对北京市三环路实测数据进行分析.首先对道路实测数据进行预处理,再采用层次聚类法确定不同交通流相位临界密度,最后利用传统速度-密度模型、BP神经网络以及局部加权回归进行对比分析并建立分相位的道路交通流速度-密度关系模型.利用现场实测数据对模型进行测试,结果表明:采用层次聚类可以为每个相位计算出更准确的分界点;与传统模型相比较,采用基于机器学习的方法为每个相位估计速度-密度关系模型能够获得更高的精度;对道路交通流进行分相位,建立速度-密度关系模型比基本图论的方法更能准确捕捉动态交通流的变化趋势.