短時(shí)交通流預(yù)測(cè)算法研究和應(yīng)用.pdf

1、交通運(yùn)輸業(yè)的發(fā)展水平是國(guó)家興旺發(fā)達(dá)的重要標(biāo)志之一。近半個(gè)世紀(jì)以來(lái),交通擁擠、道路阻塞和交通事故等問(wèn)題越來(lái)越嚴(yán)重地困擾著世界各大城市。隨著計(jì)算機(jī)技術(shù)、通信技術(shù)以及交通技術(shù)的進(jìn)步,智能交通系統(tǒng)(Intelligent Transprot Systems,ITS)的應(yīng)用也越來(lái)越廣泛,它被認(rèn)為是緩解道路交通擁堵和減少交通事故等問(wèn)題的有效方法之一。而實(shí)時(shí)準(zhǔn)確的交通流預(yù)測(cè)是智能交通系統(tǒng)的核心,它同時(shí)也是諸多ITS子系統(tǒng)的重要組成部分。
　　

2、 城市交通系統(tǒng)具有很強(qiáng)的非線性、隨機(jī)性、時(shí)變性等特點(diǎn),傳統(tǒng)的以統(tǒng)計(jì)理論為基礎(chǔ)的精確數(shù)學(xué)模型的預(yù)測(cè)效果并不理想,因此,近年來(lái)基于人工智能的預(yù)測(cè)方法越來(lái)越受到人們的重視。本文從單斷面和多斷面預(yù)測(cè)的角度出發(fā),重點(diǎn)研究了目前常用的基于支持向量機(jī)理論的短時(shí)交通流預(yù)測(cè)模型,針對(duì)此類(lèi)模型的離線訓(xùn)練、樣本等權(quán)重的不足,提出了一種改進(jìn)的支持向量機(jī)模型。此外,本文還研究了面向路網(wǎng)的短時(shí)交通流預(yù)測(cè)模型,提出了一種多斷面短時(shí)交通流預(yù)測(cè)模型,該模型解決了傳統(tǒng)的面

3、向路網(wǎng)預(yù)測(cè)模型的訓(xùn)練速度慢、斷面問(wèn)的線性關(guān)系等不足。
　　 本文所做的工作主要有如下幾個(gè)方面:
　　 (1)對(duì)智能交通系統(tǒng)及短時(shí)交通流預(yù)測(cè)的基礎(chǔ)理論進(jìn)行研究。重點(diǎn)分析了交通流特性和常用的交通流數(shù)據(jù)預(yù)處理技術(shù)。比較和總結(jié)了常用預(yù)測(cè)模型的優(yōu)缺點(diǎn)。
　　 (2)研究了基于支持向量機(jī)的短時(shí)交通流預(yù)測(cè)模型。針對(duì)目前常用的基于最小二乘支持向量機(jī)預(yù)測(cè)模型離線訓(xùn)練、預(yù)測(cè)速度慢等不足,提出了一種在線加權(quán)最小二乘支持向量機(jī)預(yù)測(cè)模型,

4、該模型根據(jù)時(shí)間的先后順序,賦予每個(gè)訓(xùn)練樣本不同的權(quán)值,且能在線學(xué)習(xí),從而夠跟蹤交通流的動(dòng)態(tài)性特征。實(shí)驗(yàn)表明該模型提高了預(yù)測(cè)的精度。
　　 (3)研究了基于非參數(shù)回歸的多斷面交通流預(yù)測(cè)模型。借助SOM網(wǎng)絡(luò),把K近鄰非參數(shù)回歸預(yù)測(cè)模型擴(kuò)展到多斷面預(yù)測(cè),提出了一種融合SOM網(wǎng)絡(luò)的K近鄰非參數(shù)回歸多斷面預(yù)測(cè)算法,此模型充分地考慮了交通流空間相關(guān)性特點(diǎn),捕獲了多斷面之間的非線性關(guān)系,提高了預(yù)測(cè)的精度和魯棒性。實(shí)驗(yàn)表明該模型是有效的。