基于RVM和ARIMA的短时交通流量预测方法研究

发布时间：2017-12-18 07:26

  本文关键词：基于RVM和ARIMA的短时交通流量预测方法研究

  更多相关文章： 交通工程 多时间尺度 短时交通流量 相关向量机 自回归积分移动平均模型

【摘要】：随着城市现代化进程不断推进和机动车保有量不断增长,城市交通拥堵问题日趋严重,很大程度上增加居民出行成本和时间,成为亟需解决的社会问题。实现城市智能化交通管理与控制被视为缓解城市交通拥挤、减少机动车尾气排放、降低交通事故率等问题的有效方法之一。短时交通流量预测是智能交通管理与控制的核心内容,也是交通信息服务重要基础,可作为交通决策的关键依据,同时可也为交通出行提供有效地路径选择信息。因此开展短时交通流量预测方法研究是准确把握交通参数态势变化的基础性工作。为降低短时交通流量随机波动性对预测精度影响,进一步改善短时交通流量预测效果,本文首先在明确短时交通流量定义的基础上,分析短时交通流量在不同时间尺度合并方法,结合不同时间尺度下短时交通流量时空图,对短时交通流量时间序列具备的长期趋势性、短期现势性、随机波动性等特性进行剖析;然后,提出一种基于RVM的可有效降低短时交通流量随机波动性降噪方法,详细设计该降噪方法步骤和工作流程,并对评价指标进行选取,通过仿真验证该降噪方法有效性;其次,在分析短时交通流量时间序列平稳性基础上,提出一种基于RVM和ARIMA的短时交通流量预测方法,详细设计该预测方法实现流程,并引入平均绝对相对误差(MAPE)作为该预测方法误差评价指标;最后,以某城市道路视频识别数据为实例,验证本文构建短时交通流量降噪方法和预测方法的有效性。本文研究结果表明:在不同公用时间尺度(5min、10min、15min)下,本文提出基于RVM的短时交通流量降噪方法有效地降低短时交通流量随机波动性,本文构建基于RVM和ARIMA的短时交通流量预测方法的平均绝对相对误差均小于直接运用指数平滑模型、BT神经网络模型、ARIMA模型等经典预测方法对应的平均绝对相对误差,说明本文提出的预测方法有效地提高短时交通流量预测精度。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14

【参考文献】

中国期刊全文数据库 前10条

1 戴帅;刘金广;朱建安;巩建国;;中国城市机动化发展情况及政策分析[J];城市交通;2015年02期

2 贾顺平;周洋帆;张思佳;;交通拥堵收费的经济意义与社会条件分析[J];交通运输系统工程与信息;2014年01期

3 王璞;黄智仁;龚航;;大数据时代的交通工程[J];电子科技大学学报;2013年06期

4 李瑞敏;何群;李帅;;中国机动车保有量发展趋势分析[J];城市交通;2013年05期

5 孟庆芳;陈月辉;冯志全;王枫林;陈珊珊;;基于局域相关向量机回归模型的小尺度网络流量的非线性预测[J];物理学报;2013年15期

6 徐鹏;姜凤茹;;基于蚁群优化支持向量机的短时交通流量预测[J];计算机应用与软件;2013年03期

7 刘有军;田聪;;不同路网形态下城市交通拥堵特性分析[J];中国公路学报;2013年01期

8 李琦;姜桂艳;;悉尼自适应交通控制系统线圈数据短时多步预测双层模型[J];吉林大学学报(工学版);2013年04期

9 孙国强;卫志农;翟玮星;;基于RVM与ARMA误差校正的短期风速预测[J];电工技术学报;2012年08期

10 赵春晖;张q，

本文编号：1303345