短时交通流分析及预测

发布时间：2017-06-18 11:04

  本文关键词：短时交通流分析及预测，，由笔耕文化传播整理发布。

【摘要】：短时交通流预测是交通控制和诱导系统实现的前提,高精度的短时交通流预测对良性交通导航、城市道路使用效率的提高、交通拥堵的缓解有着重要意义,因此,智能交通控制与诱导要取得较好的实施效果,必须处理好短时交通流的预测问题。本文分析了短时交通流的多种特性,并运用其相似性和多尺度特性对短时交通流进行预测,文章的主要工作和创新成果如下：(1)研究了美国加州高速公路某单点交通流在不同时间尺度上的相似性,发现以周为时间尺度的交通流的相似性大于以日为时间尺度的交通流的相似性,然后根据相似性分别构建小波神经网络(WNN)、BP神经网络(BPN)和最小二乘支持向量机(LSSVM)模型,并分别选取相邻周和相邻天的交通流作为样本采用上述模型对这两组交通流分别进行预测,对比预测结果后发现：以周为时间尺度的交通流数据做样本的预测精度要高于后者的预测精度。(2)引入了基于集合经验模态分解(EEMD)和WNN的短时交通流组合预测模型。该模型先用EEMD分解交通流得到多尺度分量,在此基础上,运用WNN对各子序列分别进行预测,最后将各子序列的预测结果叠加得到最终结果。结果表明该模型具有很高的预测精度,明显优于EMD-BPN的组合预测。(3)引入了基于EEMD-近似熵和WNN的组合预测模型。该模型在利用EEMD分解交通流得到多尺度分量后,再用近似熵计算各子序列的复杂度并重组得到新的子序列,然后分别对各子序列运用WNN建模预测,最后将各子序列的预测结果进行叠加得到最终结果。结果表明该模型与EEMD-WNN相比降低了预测的复杂度,与LSSVM模型相比有较高的预测精度。同时,也给出了利用此模型对重大节假日的短时交通流进行预测的结果,研究结果表明采用以年为时间尺度的交通流做训练样本,可提高重大节假日短时交通流的预测精度。上述研究结果表明：结合交通流的多种特性对交通流进行预测不仅有助于进一步提高预测精度,更为缓解城市交通拥堵提供有效依据。
【关键词】：智能交通 短时交通流预测 相似性 多尺度特性 神经网络
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.112
【目录】：

• 摘要5-6
• ABSTRACT6-8
• 第一章 绪论8-15
• 1.1 研究背景及意义8-9
• 1.2 国内外研究现状9-12
• 1.3 本文主要工作及创新点12-13
• 1.4 本文结构13-15
• 第二章 理论基础介绍15-29
• 2.1 交通流特性分析15-17
• 2.2 交通流特性分析方法17-21
• 2.2.1 相似性判据17-18
• 2.2.2 集合经验模态分解18-20
• 2.2.3 近似熵20-21
• 2.3 预测模型21-26
• 2.3.1 BP神经网络22-23
• 2.3.2 小波神经网络23-25
• 2.3.3 最小二乘支持向量机25-26
• 2.4 评价指标26-27
• 2.5 本章小结27-29
• 第三章 基于相似性的短时交通流预测29-41
• 3.1 引言29-30
• 3.2 数据来源与处理30-31
• 3.3 小波神经网络预测结果分析31-39
• 3.3.1 相似性判断31-34
• 3.3.2 预测分析及评价34-39
• 3.4 本章小结39-41
• 第四章 基于EEMD和WNN的短时交通流组合预测41-49
• 4.1 引言41-42
• 4.2 数据的选取42
• 4.3 EEMD-WNN预测模型的构建42-43
• 4.4 预测结果分析43-48
• 4.4.1 集合经验模态分解43-45
• 4.4.2 预测分析及评价45-48
• 4.5 本章小结48-49
• 第五章 基于EEMD-ApEn-WNN的短时交通流组合预测49-65
• 5.1 引言49-50
• 5.2 数据的选取50-51
• 5.3 EEMD-ApEn-WNN预测模型的构建51-52
• 5.4 预测结果分析52-57
• 5.4.1 集合经验模态分解与近似熵计算52-53
• 5.4.2 预测结果分析53-57
• 5.5 重大节假日短时交通流预测57-63
• 5.6 本章小结63-65
• 第六章 总结与展望65-67
• 6.1 总结65-66
• 6.2 展望66-67
• 参考文献67-71
• 致谢71-72
• 作者简介72-73

【相似文献】

中国期刊全文数据库 前10条

1 唐明,陈宝星,柳伍生;基于相空间重构的短时交通流分形研究[J];山东交通学院学报;2004年01期

2 华冬冬,陈森发;非线性短时交通流的一种神经网络预测方法[J];现代交通技术;2004年01期

3 田晶;杨玉珍;陈阳舟;;短时交通流量两种预测方法的研究[J];公路交通科技;2006年04期

4 蒋海峰;马瑞军;魏学业;温伟刚;;一种基于小数据量的快速识别短时交通流混沌特性的方法[J];铁道学报;2006年02期

5 蒋海峰;王鼎媛;张仲义;;短时交通流的非线性动力学特性[J];中国公路学报;2008年03期

6 李松;刘力军;郭海玲;;短时交通流混沌预测方法的比较[J];系统工程;2009年09期

7 许伦辉;唐德华;邹娜;夏新海;;基于非线性时间序列分析的短时交通流特性分析[J];重庆交通大学学报(自然科学版);2010年01期

8 李雁;陆海亭;张宁;;一种短时交通流异常数据识别新算法[J];公路交通科技(应用技术版);2010年04期

9 承向军;刘军;马敏书;;基于分形理论的短时交通流预测算法[J];交通运输系统工程与信息;2010年04期

10 张立;谢忠玉;陈凯;;基于混沌理论的短时交通流局域预测模型[J];黑龙江工程学院学报(自然科学版);2011年02期

中国重要会议论文全文数据库 前2条

1 翁小雄;翦俊;;短时交通流频谱分析与预测[A];第二十六届中国控制会议论文集[C];2007年

2 张利;李星毅;施化吉;;一种基于ARIMA模型的短时交通流量改进预测算法[A];2007第三届中国智能交通年会论文集[C];2007年

中国重要报纸全文数据库 前1条

1 本报记者 李婵;交通拥堵为何预测不准[N];北京科技报;2010年

中国博士学位论文全文数据库 前2条

1 郭欢;基于灰理论的短时交通流动力学建模预测与优化研究[D];武汉理工大学;2013年

2 张晓利;基于非参数回归的短时交通流量预测方法研究[D];天津大学;2007年

中国硕士学位论文全文数据库 前10条

1 喻丹;基于小波理论的短时交通流预测方法研究[D];长沙理工大学;2008年

2 谢生龙;城市道路短时交通流动态预测方法研究与应用[D];长安大学;2015年

3 胡浩然;基于Hadoop平台的短时交通流预测算法研究[D];华南理工大学;2016年

4 符义琴;短时交通流分析及预测[D];南京信息工程大学;2016年

5 陈功;数据挖掘技术在智慧交通中的应用[D];电子科技大学;2016年

6 卓卉;基于混沌理论的短时交通流预测方法研究[D];北京交通大学;2008年

7 唐明;短时交通流特性及其预测方法的研究[D];长沙理工大学;2004年

8 华冬冬;短时交通流的混沌性分析及其基于神经网络的预测模型研究[D];东南大学;2005年

9 王小英;道路网短时交通流分析与预测[D];武汉理工大学;2010年

10 刘锦娣;城市短时交通流预测模型研究[D];石家庄铁道大学;2012年

  本文关键词：短时交通流分析及预测，由笔耕文化传播整理发布。

本文编号：458992