基于MF-DFA的交通流量多重分形研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (6): 31-34.

基于MF-DFA的交通流量多重分形研究

王俊丽，张辰彦，何红弟，林国龙

上海海事大学物流研究中心，上海 201306

出版日期:2016-03-15 发布日期:2016-03-17

Multifractal analysis of traffic flow based on MF-DFA

WANG Junli, ZHANG Chenyan, HE Hongdi, LIN Guolong

Logistics Research Center, Shanghai Maritime University, Shanghai 201306, China

Online:2016-03-15 Published:2016-03-17

摘要/Abstract

摘要： 针对交通流时间序列的波动性变化特征，采用多重分形消除趋势波动分析法（Multi-Fractal Detrended Fluctuation Analysis，MF-DFA），对上海内环高架吴中路上匝道和下匝道的交通流量时间序列进行研究。结果表明，上匝道和下匝道的交通流量都具有长程相关性和多重分形特性。通过对比上匝道和下匝道的多重分形特性，发现下匝道交通流量的多重分形特征明显强于上匝道，表明下匝道的交通流量具有更显著的波动特性。这些研究成果为城市交通流时间序列的非线性研究提供了重要的理论依据。

null

关键词: 交通流, 多重分形消除趋势波动分析法, 多重分形谱

Abstract: Due to complexity and fluctuation in traffic flow time series, Multi-Fractal Detrended Fluctuation Analysis（MF-DFA） method is applied to investigate the fractal behavior of traffic volume in urban expressway. The traffic volume data on on-ramp and off-ramp of Wuzhong road in Shanghai inner ring viaduct are selected respectively and corresponding results are compared with each other. The results show that multifractality and the long-range anti-persistent behavior exist on both on-ramp and off-ramp situations. Additionally, the degree of multifractality on off-ramp is found to be higher than that on on-ramp, implying that long-range correlation behaviors are more obvious on off-ramp situation. These findings from real observations are advantage for studying the fluctuation characteristics of traffic flow time series.

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.

WANG Junli, ZHANG Chenyan, HE Hongdi, LIN Guolong. Multifractal analysis of traffic flow based on MF-DFA[J]. Computer Engineering and Applications, 2016, 52(6): 31-34.

[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]	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.
[15]	褚鹏宇，刘澜，尹俊淞，卢维科. 融合时空信息的短时交通流预测[J]. 计算机工程与应用, 2016, 52(12): 246-250.