引入变化趋势参数的短时交通流预测研究
本文关键词：引入变化趋势参数的短时交通流预测研究
更多相关文章： 交通工程 城市交通 短时交通流预测 变化趋势参数 RBF神经网络
【摘要】：为了在预测中体现短时交通流序列的变化趋势,提高预测精度,对短时交通流序列变化特征进行研究,将其细分为上升趋势、平稳波动趋势、下降趋势,并运用转折突变法求解变化趋势参数。将变化趋势参数作为一个输入变量,建立径向基(RBF)神经网络预测模型。选取实际交通流序列,计算其变化趋势参数,并对交通量进行预测。研究结果表明:预测结果的最大相对误差为5.72%,小于未引入变化趋势参数预测的最大相对误差;提出的变化趋势参数能体现交通流变化趋势,引入该参数能提高预测精度,该预测方法可行。
【作者单位】： 北京交通大学交通运输学院;
【关键词】： 交通工程 城市交通 短时交通流预测 变化趋势参数 RBF神经网络
【基金】：国家自然科学基金项目(71340020)
【分类号】：U491.112
【正文快照】： 0引言实时准确的短时交通流预测是交通智能控制与诱导的基础。迄今为止,国内外研究人员已提出了多种短时交通流预测模型,其中,应用比较广泛的有时间序列模型、向量自回归模型、非参数回归模型、神经网络模型、卡尔曼滤波、基于贝叶斯的组合预测方法等线性及非线性的预测模型[1
【参考文献】
中国期刊全文数据库 前3条
1 陈平;;一种改进的RBF神经网络及其在短期交通量预测中的应用[J];电气自动化;2003年01期
2 夏英;梁中军;王国胤;;基于时空分析的短时交通流量预测模型[J];南京大学学报(自然科学版);2010年05期
3 高慧;赵建玉;贾磊;;短时交通流预测方法综述[J];济南大学学报(自然科学版);2008年01期
【共引文献】
中国期刊全文数据库 前10条
1 吴浩勇,丛玉良,王宏志;基于神经网络的交通参数预测方法[J];吉林大学学报(信息科学版);2005年06期
2 孙棣华;付青松;李永福;;基于量子神经网络的公交客运量预测[J];重庆理工大学学报(自然科学版);2011年02期
3 向红艳;肖盛燮;;模糊数学方法在交通流预测评价中的应用[J];重庆交通学院学报;2006年04期
4 张国强,晏克非;动态随机状态下的车辆导航及其路径寻优算法[J];长沙交通学院学报;2002年03期
5 田光理;苑红伟;牛德宁;;基于粗糙集理论的短时交通流组合预测研究[J];道路交通与安全;2010年02期
6 孙峰华;陆大道;柳新华;顾九春;王振波;;中国物流发展对渤海海峡跨海通道建设的影响[J];地理学报;2010年12期
7 马君;刘小冬;孟颖;;基于神经网络的城市交通流预测研究[J];电子学报;2009年05期
8 曹树志;项响琴;;基于改进的K_Means算法的城市高架桥交通流分析[J];公路交通科技(应用技术版);2010年10期
9 向红艳;朱顺应;;路段短时交通量预测自适应控制法[J];公路交通科技;2006年01期
10 韩卫国;王劲峰;高一鸽;胡建军;;区域交通流的时空预测与分析[J];公路交通科技;2007年06期
中国重要会议论文全文数据库 前5条
1 杨文;张志敏;万浩;;一种改进的短期交通流量多步预测模型[A];转型与重构——2011中国城市规划年会论文集[C];2011年
2 周欣荣;沙海云;高文宝;柴干;;卡尔曼滤波在短时段交通预测上的应用[A];第一届中国智能交通年会论文集[C];2005年
3 胡晓健;陆建;;基于二步自适应的交通量实时预测模型[A];2007第三届中国智能交通年会论文集[C];2007年
4 陈婧;谢磊;李备;;水路交通中的卡尔曼滤波算法综述[A];第七届中国智能交通年会论文集[C];2012年
5 杨锦伟;肖新平;郭金海;;基于灰关联与少数据云推理的短时交通流预测[A];第25届全国灰色系统会议论文集[C];2014年
中国博士学位论文全文数据库 前10条
1 董春娇;多状态下城市快速路网交通流短时预测理论与方法研究[D];北京交通大学;2011年
2 高联雄;智能公交系统数据挖掘研究与应用[D];北京邮电大学;2011年
3 姚琛;基于信息提取计算的动态交通数据分析及应用[D];西南交通大学;2011年
4 周剑峰;城市交通共用信息平台数据处理技术研究[D];吉林大学;2005年
5 Q，
本文编号：910508
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/910508.html
