基于聚类WNN-ARIMA的短时交通流预测研究与应用

发布时间：2017-07-21 03:13

  本文关键词：基于聚类WNN-ARIMA的短时交通流预测研究与应用

  更多相关文章： 短时交通流预测 聚类分析 WNN-ARIMA 交通信号控制

【摘要】：近年来,由于国家GDP的快速增长、国民可支配收入的快速增加,以及城市化进程的快速推进,城市的机动车辆的保有量与日俱增,作为承载社会经济活动的基础设施,在给人们的生活带来了极大的方便的同时,但是其造成的能源消耗、城市交通拥堵、环境污染、机动车交通安全等问题却日益突出,并已成为制约我国交通运输业的可持续发展的瓶颈。传统的交通信号控制方法包括定周期控制方法和感应控制方法以及多阶段控制方法等已不适应当今的大城市的交通系统并且也无法有效解决上诉问题。智能交通系统(ITS, Intelligent Transportation System)在理论上可行并有望解决上诉问题。智能交通系统(ITS)是通过新的信息融合技术构建交通控制系统来减少道路交叉口等拥堵、减少资源消耗和降低环境污染等问题的。在ITS中,交通流状态信息的预测是非常重要的一部分,其不仅仅在先进的出行者信息系统(ATIS, Advanced Traveler Information Systems)中发挥着极其重要的作用,其对交通控制系统的有效控制也起到的极好的优化作用。城市道路交通系统是一个时刻变化着的复杂系统,其状态极难预先知道且没有直观的规律可循,短时交通流流量的预测问题处理的好与坏直接关系到智能交通系统的试验效果,其中非常重要的一部分为短时交通流流量的预测问题。及时准确的短时交通流的状态参数的预测信息将更有力的保障道路的畅通和交通系统的高效运行。本文将对当前短时交通流预测模型的应用中所表现出的精度相对较低、收敛较慢以及性能的稳定性等问题,在对短时交通流特性和预测问题研究的基础上,并提出了通过聚类分析技术、小波神经网络模型和时间序列模型ARIMA改进的一种新的数据驱动的短时交通流预测模型,并通过短时交通流预测模型对教研室现有交通控制系统模型进行优化和改进。本文的主要贡献有以下方面：第一,本文在对研究最近的交通流状态信息预测模型研究的基础上,分析了不同交通环境下交通流量表现出的基本的状态参数及其相关特性,并结合数据预处理方法对交通流进行了预处理一修复错误数据和缺失数据,消除数据缺陷对预测模型的预测精确度的影响。第二,结合小波神经网络、自回归积分滑动平均模型模型和聚类分析技术,集合各模型的优缺点提出了改进后的交通流预测算法,称作基于聚类WNN—ARIMA的短时交通流流量预测模型方法,最后通过开放交通数据库PeMS和VISSIM对模型仿真实验,仿真试验结果表明,本文提出的短时交通流算法具有更好的稳定性和更高的预测精度。第三,基于本文提出的短时交通流流量预测算法对现有的自适应交通信号控制系统进行改进优化,针对大连市19个交叉口的交通路网,利用VISSIM交通系统微观仿真平台对改进后的自适应交通信号控制系统进行仿真实验,VISSIM平台仿真实验结果表明改进后交通信号控制系统可有效的提高本教研室已研发的自适应交通信号控制系统的性能。
【关键词】：短时交通流预测 聚类分析 WNN-ARIMA 交通信号控制
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14;TP183
【目录】：

• 摘要4-6
• Abstract6-10
• 1 绪论10-16
• 1.1 研究背景及意义10-11
• 1.1.1 研究背景10-11
• 1.1.2 研究意义11
• 1.2 国内外研究现状11-13
• 1.2.1 短时交通流预测研究现状11-12
• 1.2.2 智能交通系统的发展现状12-13
• 1.3 本文研究内容与组织结构13-16
• 1.3.1 论文研究内容13-14
• 1.3.2 论文的组织结构14-16
• 2 交通流预测方法研究16-22
• 2.1 交通流预测研究方法16-18
• 2.1.1 研究内容16
• 2.1.2 交通流预测流程16-17
• 2.1.3 交通流预测模型分类17-18
• 2.2 短时交通流预测相关理论18-19
• 2.2.1 短时交通流预测概念18
• 2.2.2 短时交通流特性分析18-19
• 2.3 短时交通流预测模型19-20
• 2.3.1 短时交通流预测模型建立原则19
• 2.3.2 短时交通流预测评价指标19-20
• 2.4 交通流数据的获取和预处理20-21
• 2.4.1 交通流数据的获取20-21
• 2.4.2 交通流数据的预处理21
• 2.5 本章小结21-22
• 3 基于聚类WNN-ARIMA的短时交通流预测模型22-34
• 3.1 聚类分析基础22-23
• 3.1.1 聚类分析概述22
• 3.1.2 相似性度量22
• 3.1.3 聚类分析在交通流时间序列中的应用22-23
• 3.2 小波网络基础23-31
• 3.2.1 神经网络概述23-25
• 3.2.2 小波神经网络25-31
• 3.3 ARIMA模型31
• 3.4 基于聚类WNN-ARIMA模型的短时交通流预测31-33
• 3.4.1 交通流预测基础31-32
• 3.4.2 基于聚类WNN-ARIMA的短时交通流预测模型的设计实现32-33
• 3.5 本章小结33-34
• 4 基于短时交通流预测模型的交通信号控制系统的优化设计34-47
• 4.1 交通控制系统概述34-36
• 4.2 交通控制系统架构36-38
• 4.2.1 交通控制系统的物理架构36-37
• 4.2.2 交通控制系统的逻辑架构37-38
• 4.338-46
• 4.3.1 路口交通流预测模块38-39
• 4.3.2 路口信号控制模块39-46
• 4.3.3 基于短时交通流预测模型的交通信号控制系统图示46
• 4.4 本章小结46-47
• 5 实验及结果分析47-56
• 5.1 短时交通流预测实验设计与结果分析47-51
• 5.1.1 仿真实验设计47
• 5.1.2 结果分析47-51
• 5.2 交通信号控制系统实验设计与结果分析51-55
• 5.2.1 仿真实验平台介绍与设计51-54
• 5.2.2 结果分析54-55
• 5.3 本章小结55-56
• 结论56-58
• 参考文献58-62
• 攻读硕士学位期间发表学术论文情况62-63
• 致谢63-64

【参考文献】

中国期刊全文数据库 前10条

1 李瑞敏;唐瑾;;过饱和交叉口交通信号控制动态规划优化模型[J];交通运输工程学报;2015年06期

2 王力;李岱;何忠贺;马旭辉;;基于多智能体分群同步的城市路网交通控制[J];控制理论与应用;2014年11期

3 李松;刘力军;翟曼;;改进粒子群算法优化BP神经网络的短时交通流预测[J];系统工程理论与实践;2012年09期

4 沈国江;王啸虎;孔祥杰;;短时交通流量智能组合预测模型及应用[J];系统工程理论与实践;2011年03期

5 宋英;;数据挖掘技术中聚类算法的研究[J];科学咨询(科技管理);2010年08期

6 窦慧丽;刘好德;吴志周;杨晓光;;基于小波分析和ARIMA模型的交通流预测方法[J];同济大学学报(自然科学版);2009年04期

7 张玉梅;曲仕茹;温凯歌;;基于混沌和RBF神经网络的短时交通流量预测[J];系统工程;2007年11期

8 赵建玉;贾磊;杨立才;朱文兴;;基于粒子群优化的RBF神经网络交通流预测[J];公路交通科技;2006年07期

9 杨立才,贾磊,赵建玉,钟麦英;基于粗集理论的交通控制系统研究[J];中国公路学报;2005年02期

10 杨世坚,贺国光;基于模糊C均值聚类和神经网络的短时交通流预测方法[J];系统工程;2004年08期

，

本文编号：571193