道路交通流量数据处理与预测模型研究

论文摘要

本文以重庆市的道路交叉路口流量预测为研究对象,提出了将小波分析与最小二乘法相结合的方法对交通流量数据中的异常值进行查找并加以修复;然后采用改进的BP神经网络算法来建立流量预测模型。本文完成的主要研究工作:①将采集到的交通流量数据作为时间序列进行二层小波分解,以分解得到的低频分量的重构序列作为原始流量序列的参考序列;然后采用最小二乘法寻找出交通流量数据中的异常值并加以修复。②在流量预测模型研究中,采用改进的BP神经网络算法,以变步长算法弥补传统BP神经网络算法易陷入局部最优,以及随着训练次数增加网络收敛速度变慢等缺陷。③以实际的交叉路口为例,设计了两种流量预测模型,一种是以预测断面自身的历史流量数据为样本对BP神经网络进行训练;另一种是结合了相邻交通流的历史流量数据作为样本对BP神经网络进行训练。通过对重庆市多个道路交叉路口的大量实验,其结果表明:采用小波分析与最小二乘法相结合的方法来检测流量数据中的异常值具有较高的准确度;在流量预测时,以预测断面自身的历史流量数据为样本训练得到的网络预测性能要比结合了相邻交通流的历史流量数据为样本训练得到的网络预测性能好。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题研究背景及意义
• 1.1.1 课题研究背景
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 本文工作及结构安排
• 2 交通流量数据处理与预测模型概述
• 2.1 数据处理概述
• 2.1.1 基于傅里叶分析的数据处理
• 2.1.2 基于曲线拟合的数据处理
• 2.1.3 基于交通参数之间关系的数据处理
• 2.2 交通流量预测模型概述
• 2.2.1 基于数学模型的交通流量预测
• 2.2.2 基于非数学模型的交通流量预测
• 2.3 本章小结
• 3 交通流量数据的处理
• 3.1 交通流量数据的噪声
• 3.1.1 交通流量数据的采集
• 3.1.2 流量数据噪声的主要类型
• 3.2 缺失值及不一致数据的处理
• 3.2.1 数据上传周期分析
• 3.2.2 修复漏传值及不一致数据
• 3.3 基于小波分析的异常检测
• 3.3.1 小波分析原理
• 3.3.2 基于小波分析的交通流量数据处理
• 3.3.3 结合最小二乘法的数据处理实现
• 3.4 本章小结
• 4 基于 BP 神经网络的交通流量预测模型
• 4.1 BP 神经网络
• 4.1.1 网络结构
• 4.1.2 训练过程
• 4.2 交叉路口流量预测模型方案设计
• 4.2.1 交通流量数据的采集
• 4.2.2 交通流量预测模型设计
• 4.3 交叉路口预测的BP 训练算法
• 4.3.1 网络结构的确定
• 4.3.2 BP 算法的缺点
• 4.3.3 对BP 算法的改进
• 4.4 本章小结
• 5 算法验证
• 5.1 交通流量数据处理实验
• 5.1.1 周期分析及缺失值的补偿和不一致数据的处理
• 5.1.2 小波分析结合最小二乘法异常值修复
• 5.2 交通流量预测实验
• 5.2.1 评价参数
• 5.2.2 预测实验
• 5.3 实验结果分析
• 5.3.1 数据处理结果分析
• 5.3.2 交通流量预测结果分析
• 5.4 本章小结
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录
• A. 作者在攻读学位期间发表的论文目录