南昌市短時交通流預測方法研究.pdf

1、在智能交通系統(tǒng)中，交通流預測是一個重要的組成部分。實施交通信號控制、路徑誘導、事故檢測等的重要前提是快速而準確的短時交通流預測。但是，交通系統(tǒng)具有高度的復雜性、非線性和不確定性等特征，其是由人、車、路等多種客體組成的復雜系統(tǒng)，對交通流做出實時、準確地預測是目前智能交通領域研究的熱點和難點之一。
　　然而，由于短時交通流信息量大，不確定性噪聲信號干擾強，加之城市道路網(wǎng)絡的拓撲結構復雜，致使怎樣實現(xiàn)城市道路短時交通流預測一直阻礙著智能

2、交通的長遠發(fā)展。為了解決上述問題，已經提出了許多預測方法，但因未考慮不確定干擾信號或城市路網(wǎng)復雜性對短時交通流所造成的影響，導致預測結果的實時性與準確性都不盡理想。本文采用Mallat算法，對短時交通流信號進行小波分解與重構，旨在濾掉短時交通流的強干擾噪聲信號，此法可以提高短時交通流信息預處理速度及精度。針對交通流數(shù)據(jù)的復雜性和非線性特性，本文引入神經網(wǎng)絡理論，利用其對非線性問題的良好處理能力來進行短時交通流的預測，是交通流預測的有效方

3、法。
　　綜上，針對城市道路交通流量的時變性、復雜性以及非線性特點，為提高短時交通流預測的精準度，該文提出了一種基于小波去噪和自適應遺傳算法優(yōu)化BP神經網(wǎng)絡的短時交通流組合預測模型。利用小波變換可以將交通流分解成具有不同頻率的多個平滑子序列，然后對各個子序列分別進行預測，此種方式能有效解決被預測交通流的時變性、復雜性以及非線性問題，同時自適應遺傳算法具有全局搜索能力，能夠很好的解決神經網(wǎng)絡的缺陷——易陷入局部極小值。并將預測結果與