短時(shí)交通流分析及預(yù)測(cè).pdf

1、短時(shí)交通流預(yù)測(cè)是交通控制和誘導(dǎo)系統(tǒng)實(shí)現(xiàn)的前提，高精度的短時(shí)交通流預(yù)測(cè)對(duì)良性交通導(dǎo)航、城市道路使用效率的提高、交通擁堵的緩解有著重要意義，因此，智能交通控制與誘導(dǎo)要取得較好的實(shí)施效果，必須處理好短時(shí)交通流的預(yù)測(cè)問(wèn)題。本文分析了短時(shí)交通流的多種特性，并運(yùn)用其相似性和多尺度特性對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)，文章的主要工作和創(chuàng)新成果如下:
　　(1)研究了美國(guó)加州高速公路某單點(diǎn)交通流在不同時(shí)間尺度上的相似性，發(fā)現(xiàn)以周為時(shí)間尺度的交通流的相似性大于

2、以日為時(shí)間尺度的交通流的相似性，然后根據(jù)相似性分別構(gòu)建小波神經(jīng)網(wǎng)絡(luò)(WNN)、BP神經(jīng)網(wǎng)絡(luò)(BPN)和最小二乘支持向量機(jī)(LSSVM)模型，并分別選取相鄰周和相鄰天的交通流作為樣本采用上述模型對(duì)這兩組交通流分別進(jìn)行預(yù)測(cè)，對(duì)比預(yù)測(cè)結(jié)果后發(fā)現(xiàn):以周為時(shí)間尺度的交通流數(shù)據(jù)做樣本的預(yù)測(cè)精度要高于后者的預(yù)測(cè)精度。
　　(2)引入了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和WNN的短時(shí)交通流組合預(yù)測(cè)模型。該模型先用EEMD分解交通流得到多尺度分量，在

3、此基礎(chǔ)上，運(yùn)用WNN對(duì)各子序列分別進(jìn)行預(yù)測(cè)，最后將各子序列的預(yù)測(cè)結(jié)果疊加得到最終結(jié)果。結(jié)果表明該模型具有很高的預(yù)測(cè)精度，明顯優(yōu)于EMD-BPN的組合預(yù)測(cè)。
　　(3)引入了基于EEMD-近似熵和WNN的組合預(yù)測(cè)模型。該模型在利用EEMD分解交通流得到多尺度分量后，再用近似熵計(jì)算各子序列的復(fù)雜度并重組得到新的子序列，然后分別對(duì)各子序列運(yùn)用WNN建模預(yù)測(cè)，最后將各子序列的預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終結(jié)果。結(jié)果表明該模型與EEMD-WNN相