城市道路交通流量短时预测的研究

论文摘要

随着智能交通技术的发展,车辆诱导系统作为智能交通系统的重要组成部分,已成为交通管理部门疏导城市道路交通的有效途径。车辆诱导系统的关键技术是对城市道路交通状况的预测,即有效利用历史交通数据信息和实时交通数据信息对未来时刻城市道路交叉路口和断面的交通流量进行动态预测,为给出行者提供最佳行驶路线、均衡交通流、优化交通管理方案、改进交通控制等方面提供较可靠的依据。因此,对城市道路交通流量短时预测的研究具有重要意义。本文首先介绍了城市道路交通流量短时预测的研究意义,同时分析了国内外已有的各种预测方法的特点及不足。然后结合杭州市环城北路至莫干山路的真实断面交通流量数据,分析了交通流量在时间和空间的分布特征。针对城市道路交通流量具有非线性、时变性和不确定性等特点,而人工神经网络作为模拟人脑的生物结构算法的数学模型,具有分布式处理、自组织、自适应、自学习的良好特性；本文采用人工神经网络的方法进行杭州市交通流量短时预测的研究。其次综合考虑交通流量在时间上的历史关联性和空间上的上游路段交通流量的影响,本文分别构建了单点预测模型和多点预测模型。在Matlab2007R平台上分别对杭州市环城北路至莫干山路断面交通流量数据进行预测,用m语言编程仿真实现了基于BP、RBF、GRNN三种人工神经网络的交通流量预测模型。通过大量实际采样数据的预测验证,对比分析三种模型的仿真结果,得出杭州市道路交通流量短时预测方法的研究结果,即BP神经网络预测仿真时间最长,但准确度居中；GRNN神经网络预测仿真时间最短,但准确度最低；RBF神经网络预测仿真时间居中,但准确度最高。综合考虑预测所用的仿真时间和准确度,最终得出RBF神经网络更适合于杭州市实际交通流量短时预测研究的结论。最后,提出城市道路交通流量的短时预测中有待进一步研究的问题。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 智能交通系统概述
• 1.1.1 智能交通系统组成
• 1.1.2 国内外研究现状
• 1.2 本文的研究意义
• 1.3 本文的研究内容
• 1.4 本文的结构安排
• 第二章 交通流量的采集和特点分析
• 2.1 交通流量的采集技术
• 2.2 交通流量的特点分析
• 2.2.1 动态性分析
• 2.2.2 时间相似性分析
• 2.2.3 空间相关性分析
• 2.3 交通流量数据预处理方法
• 2.4 故障数据的识别
• 2.5 故障数据的修复
• 2.6 小结
• 第三章 交通流量短时预测方法概述
• 3.1 历史平均预测方法
• 3.2 自回归滑动平均预测方法
• 3.3 卡尔曼滤波预测方法
• 3.4 非参数回归预测方法
• 3.5 灰色理论预测方法
• 3.6 多模型融合预测方法
• 3.7 小结
• 第四章 人工神经网络理论简介
• 4.1 神经网络的特点
• 4.2 神经网络的结构与泛化能力
• 4.2.1 神经元模型
• 4.2.2 神经网络的激活函数
• 4.2.3 神经网络的结构
• 4.2.4 神经网络的泛化能力
• 4.3 神经网络的学习算法
• 4.3.1 BP神经网络概述
• 4.3.2 BP神经网络的结构
• 4.3.3 BP神经网络的学习过程
• 4.3.4 BP神经网络的设计
• 4.4 RBF神经网络概述
• 4.4.1 RBF神经网络的结构
• 4.4.2 RBF神经网络的学习过程
• 4.5 GRNN神经网络概述
• 4.5.1 GRNN神经网络的结构
• 4.5.2 GRNN神经网络的学习过程
• 4.6 小结
• 第五章 短时交通流量预测模型的实例分析
• 5.1 交通流量数据来源
• 5.2 预测模型的评价
• 5.2.1 预测模型的评价方法
• 5.2.2 预测模型的评价指标
• 5.3 输入数据的预处理
• 5.4 预测模型的结构
• 5.5 基于BP神经网络的交通流量预测实例分析
• 5.5.1 BP神经网络预测模型的建模
• 5.5.2 BP神经网络预测模型的算法设计
• 5.5.3 BP神经网络的实例预测结果分析
• 5.6 基于RBF神经网络的交通流量预测实例分析
• 5.6.1 RBF神经网络预测模型的建模
• 5.6.2 RBF神经网络预测模型的算法设计
• 5.6.3 RBF神经网络的实例预测结果分析
• 5.7 基于GRNN神经网络的交通流量预测实例分析
• 5.7.1 GRNN神经网络预测模型的建模
• 5.7.2 GRNN神经网络预测模型的算法设计
• 5.7.3 GRNN神经网络预测模型的预测结果分析
• 5.8 选用不同预测模型的效果比较
• 5.9 小结
• 第六章 结论
• 6.1 论文的主要研究结论
• 6.2 有待进一步研究的问题
• 参考文献
• 致谢
• 攻读学位期间取得的学术成果