基于狀態(tài)判別的短時交通流預測方法研究.pdf

1、隨著城市交通擁堵及其伴生的環(huán)境污染與安全等交通問題日益突出，作為解決交通擁堵問題重要途徑的智能交通系統(tǒng)(Intelligent Transportation Systems，ITS)的相關(guān)研究越加得到關(guān)注。而交通流預測是智能交通管理系統(tǒng)的核心部分，也是能夠?qū)崿F(xiàn)智能交通控制和誘導的基礎。準確的交通預測信息對于指導人們選擇行路徑，節(jié)約出行的時間，舒緩道路的擁堵，減少車輛尾氣污染、實現(xiàn)能源節(jié)約等有重大意義。
　　目前應用于各個控制領(lǐng)域的

2、預測模型和方法已有上百種，但沒有任何一種預測模型在所有方面都是最佳的，它們有各自的優(yōu)點、缺點和適用的場合。例如，基于傳統(tǒng)統(tǒng)計理論的ARIMA模型原理簡單，容易理解，在數(shù)據(jù)充分的情況下，對平穩(wěn)序列有較高的預測精度，但在估計參數(shù)時，必須依賴大量的數(shù)據(jù);神經(jīng)網(wǎng)絡模型特別適用于復雜多變的交通領(lǐng)域，但其移植性和可推廣性較差。因此，為了使得預測結(jié)果更加精確，模型的使用范圍更加廣泛，本文提出了一種新的交通流預測模型，可以根據(jù)不同的環(huán)境，選擇合適的預測

3、模型。本文主要完成了以下工作:
　　首先，針對傳統(tǒng)FCM聚類算法在交通狀態(tài)識別上的不足，論文從初始聚類中心的選取這一個方面對其進行了改進。模糊C均值算法對初始聚類中心有很強的依耐性，易導致陷入局部最優(yōu)解的問題，為此，在進行FCM聚類前，可挑選合適的初始聚類中心。在本文提出的方法中，先進行基于快速搜索查找密度峰值的聚類過程，將聚類中心設為模糊C均值算法的初始值，之后按FCM算法進行，得到最終的聚類中心。根據(jù)得到的聚類中心，計算每一個

4、待處理的數(shù)據(jù)點對各個狀態(tài)的隸屬度，選取隸屬度最大的狀態(tài)作為狀態(tài)判別結(jié)果。實驗表明，改進后的FCM算法具有更小的誤判率。
　　其次，提出了根據(jù)狀態(tài)判別的結(jié)果，選擇相對應的模型進行交通流預測的模型，并通過構(gòu)建組合預測模型對其進行了改進。基本方法為基于FCM算法判斷狀態(tài)，然后根據(jù)狀態(tài)選擇交通流預測模型進行預測，但在狀態(tài)轉(zhuǎn)換過程中，按傳統(tǒng)規(guī)則只選取一個狀態(tài)對應的預測模型進行預測可能會有較大的誤差，因此可根據(jù)隸屬度的值選擇兩個基本預測模型組