适应交通流演化的伽马分布形状参数估计

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (5): 247-251.

适应交通流演化的伽马分布形状参数估计

王晓原，张敬磊，马立云

山东理工大学交通与车辆工程学院，山东淄博 255049

出版日期:2014-03-01 发布日期:2015-05-12

Estimation of gamma distribution shape parameter adapting to traffic flow evolvement

WANG Xiaoyuan, ZHANG Jinglei, MA Liyun

School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo, Shandong 255049, China

Online:2014-03-01 Published:2015-05-12

摘要/Abstract

摘要： 研究交通流演化规律对交通安全措施的实施具有重要意义。交通流的演化过程一般可分为交通流的量变与质变。鉴于交通自由流状态、拥挤流状态及间歇流状态的分布均可由伽马分布表达，利用伽马分布及其变点检验算法进行变点搜索及检验，确定变点前后的交通流状态。结合柯尔莫哥洛夫—斯米尔诺夫检验方法对观测数据是否服从伽马分布进行拟合优度检验。为较直观说明交通流的演化规律，结合极大似然估计，给出了适应交通流演化的伽马分布形状参数估计。实验结果表明，伽马分布形状参数估计的研究是探索交通流演化规律的有利途径。

关键词: 交通流, 伽马分布, 柯尔莫哥洛夫&mdash, 斯米尔诺夫检验, 极大似然估计, 演化规律

Abstract: It is significant to research traffic flow evolvement for the traffic safety implementation. The evolution process of traffic flow is generally classified as quantitative change and qualitative change. Distributions of free, congested and intermittent flow all can be replaced by gamma distribution. So, in this paper, the traffic flow states before and after change-point are confirmed by searching and testing change-point with gamma distribution and change-point testing method. Kolmogorov-Smirnov test method is used to test whether or not the observation data is in line with gamma distribution. Gamma distribution shape parameter adapting to traffic flow evolvement is estimated with maximum likely estimation method in order to explain evolvement directly. The experimental results indicate that studying gamma distribution shape parameter is a favorable way to research traffic flow evolvement.

Key words: traffic flow, gamma distribution, Kolmogorov-Smirnov test, maximum likely estimation, evolvement

王晓原，张敬磊，马立云. 适应交通流演化的伽马分布形状参数估计[J]. 计算机工程与应用, 2014, 50(5): 247-251.

WANG Xiaoyuan, ZHANG Jinglei, MA Liyun. Estimation of gamma distribution shape parameter adapting to traffic flow evolvement[J]. Computer Engineering and Applications, 2014, 50(5): 247-251.

[1]	桂智明，李壮壮，郭黎敏. 基于ACGRU模型的短时交通流预测[J]. 计算机工程与应用, 2020, 56(21): 260-265.
[2]	李彤伟，王庆荣. 路网交通流在时空分析背景下的预测研究[J]. 计算机工程与应用, 2020, 56(17): 258-265.
[3]	袁瑶瑶，康雁，李浩，牛瑞丞，梁文韬，李晋源. 基于ST-DCGAN的时序交通流量数据补全[J]. 计算机工程与应用, 2020, 56(15): 140-146.
[4]	邓烜堃1，2，万良1，2，丁红卫1，2，辛壮1，2. 基于深度学习的交通流量预测研究[J]. 计算机工程与应用, 2019, 55(2): 228-235.
[5]	贺红，陈永. 考虑前车动态效应的高速跟驰交通流研究[J]. 计算机工程与应用, 2019, 55(14): 209-214.
[6]	柴获1，2，何瑞春2，马昌喜2，代存杰1，3. 用于求解路径交通流量的改进Frank-Wolfe算法[J]. 计算机工程与应用, 2018, 54(9): 213-217.
[7]	罗亦乐，梁艳平，王妍. 基于光流法的卫星视频交通流参数提取研究[J]. 计算机工程与应用, 2018, 54(10): 204-207.
[8]	罗向龙1，2，张生瑞1，牛力瑶2. 基于检测器优化选择的短时交通流预测[J]. 计算机工程与应用, 2017, 53(8): 199-202.
[9]	张小炳，祝俪菱，杨达. 基于CA模型的上坡道小汽车-卡车交通拥堵特性[J]. 计算机工程与应用, 2017, 53(19): 216-223.
[10]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[11]	王晓楠1，2，巨永锋1，高婷1. 基于犹豫模糊H-平均的交通流模型选择方法[J]. 计算机工程与应用, 2017, 53(13): 134-140.
[12]	李腾龙，惠飞. 考虑后视和最优速度记忆的跟驰模型及仿真[J]. 计算机工程与应用, 2017, 53(12): 249-254.
[13]	王建都，张俊乐. 一种改进全速度差模型的稳定性分析与仿真[J]. 计算机工程与应用, 2016, 52(7): 24-27.
[14]	王俊丽，张辰彦，何红弟，林国龙. 基于MF-DFA的交通流量多重分形研究[J]. 计算机工程与应用, 2016, 52(6): 31-34.
[15]	钱伟，杨慧慧，孙玉娟. 相空间重构的卡尔曼滤波交通流预测研究[J]. 计算机工程与应用, 2016, 52(14): 37-41.