短时交通流预测中的若干问题研究

短时交通流预测中的若干问题研究

论文摘要

智能交通系统是利用尖端的电子通信技术,形成人员、公路和车辆三位一体的新公路交通系统的总称。交通管理与控制系统是智能交通系统领域当中一项重要的研究内容,而交通流量预测问题则是交通管理与控制的核心问题,因此,如何能够实时准确的预测交通流量成为了交通管理与控制是否能够有效实现的关键问题。本文主要讨论了基于模型驱动的卡尔曼滤波预测和基于数据驱动的神经网络预测两类短时交通流预测方法。基本思想是:以历史数据为基础,讨论在交通检测数据缺失情况下构建一种综合预测模型,提高预测的精度;利用神经网络良好的非线性映射能力,在历史数据基础上对神经网络进行训练,得到卡尔曼滤波预测所需的参数,提升卡尔曼滤波的适用范围。本文的主要工作及创新点如下:(1)对交通问题及短时交通流预测的基础理论进行研究,并对现有的预测方法进行比较说明。(2)对卡尔曼滤波系列的短时交通流预测方法进行研究,讨论了卡尔曼滤波、卡尔曼平滑滤波、扩展卡尔曼滤波、基于卡尔曼滤波的短时交通流预测模型及应用于扩展卡尔曼滤波的宏观交通流模型。随后,在讨论基础上提出一种综合预测模型,该模型可以有效克服交通检测中的数据缺失问题,模型分为重建部分和预测部分,重建部分应用历史数据形成历史趋势值来修正缺失数据,预测部分对原卡尔曼平滑算法进行改进,提升算法的实时预测能力,满足短时交通流预测的需要,实验表明综合预测模型提高了预测的精度。(3)对基于神经网络的短时交通流预测方法进行研究,讨论了神经网络的的结构及模型。随后,在讨论基础上提出了一种基于GRNN并融合卡尔曼滤波的短时交通流预测模型,模型利用了神经网络良好的非线性映射能力,通过训练得到卡尔曼滤波预测所需的参数,解决了卡尔曼滤波预测需要构建预测对象系统的精确数学模型的问题,实验表明融合预测方法提升了卡尔曼滤波的适用范围,预测也具有较好的效果。(4)在理论研究基础上,将短时交通流预测方法应用到深圳路网智能交通控制系统中,设计了深圳路网的交通信息处理子系统,重点实现了短时交通流预测模块,预测模块提高了道路交通控制与管理的有效性。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1 课题研究背景及意义
  • 2 智能交通系统简介
  • 3 短时交通流预测国内外研究现状
  • 4 本文的研究内容及安排
  • 第二章 短时交通流预测方法
  • 2.1 交通流基本理论
  • 2.1.1 交通流基本特征参数
  • 2.1.2 交通流特性
  • 2.1.3 交通流基本模型
  • 2.2 预测的数学基础
  • 2.2.1 内积空间
  • 2.2.2 柯西列
  • 2.2.3 希尔波特空间
  • 2.2.4 闭线性子空间
  • 2.2.5 预报方程
  • 2.2.6 流量预报性能指标
  • 2.3 交通流预测方法
  • 2.3.1 基于线性系统理论的预测方法
  • 2.3.2 基于知识发现的智能模型预测方法
  • 2.3.3 基于非线性系统理论的预测方法
  • 2.3.4 基于组合模型的的预测方法
  • 2.3.5 基于交通模拟的预测方法
  • 2.4 本章小结
  • 第三章 卡尔曼滤波系列方法在短时交通流预测上的研究
  • 3.1 卡尔曼滤波器
  • 3.1.1 离散卡尔曼滤波理论
  • 3.1.2 基于卡尔曼滤波理论的短时交通流预测模型
  • 3.1.3 卡尔曼滤波的问题
  • 3.2 平滑卡尔曼滤波
  • 3.2.1 固定区间平滑
  • 3.2.2 固定点平滑
  • 3.2.3 固定滞后平滑
  • 3.3 扩展卡尔曼滤波
  • 3.3.1 被估计的过程信号
  • 3.3.2 扩展卡尔曼滤波器的工作原理
  • 3.4 宏观交通流模型
  • 3.5 检测数据缺失情况下的短时交通流预测模型研究
  • 3.5.1 综合预测模型
  • 3.5.2 短时交通流预测及其结果分析
  • 3.6 本章小结
  • 第四章 神经网络在短时交通流预测上的研究
  • 4.1 人工神经网络概述
  • 4.1.1 人工神经网络的定义
  • 4.1.2 人工神经网络的特点
  • 4.2 神经网络的基本结构和模型
  • 4.2.1 神经元基本模型
  • 4.2.2 转移函数
  • 4.2.3 神经网络模型
  • 4.2.4 神经网络学习方式
  • 4.2.5 神经网络的实现
  • 4.3 基于GRNN并融合卡尔曼滤波的短时交通流预测研究
  • 4.3.1 卡尔曼滤波在预测中存在的问题
  • 4.3.2 广义回归神经网络预测模型
  • 4.3.3 GRNN和卡尔曼滤波融合预测模型
  • 4.3.4 仿真实验及结果分析
  • 4.4 本章小结
  • 第五章 短时交通流预测在ATMS中的应用
  • 5.1 面向ATMS的交通信息系统
  • 5.2 交通信息处理子系统
  • 5.2.1 交通信息处理子系统的设计
  • 5.2.2 短时交通预测模块的实现技术
  • 5.2.3 短时交通流预测模块界面
  • 5.3 本章小结
  • 第六章 总结与展望
  • 6.1 总结
  • 6.2 展望
  • 参考文献
  • 致谢
  • 攻读硕士学位期间发表的学术论文
  • 相关论文文献

    • [1].基于GA-BP神经网络的交叉口短时交通流预测研究[J]. 科技风 2020(11)
    • [2].智能交通系统中短时交通流预测模型的研究[J]. 现代计算机 2020(16)
    • [3].暴雨天气下高速公路短时交通流预测[J]. 计算机工程 2020(06)
    • [4].基于状态频率记忆神经网络的短时交通流预测[J]. 武汉理工大学学报(交通科学与工程版) 2020(04)
    • [5].基于检测器优化选择的短时交通流预测[J]. 计算机工程与应用 2017(08)
    • [6].基于统计的我国短时交通流预测模型分析[J]. 现代计算机(专业版) 2017(17)
    • [7].基于模糊神经网络的短时交通流预测方法研究[J]. 计算机测量与控制 2017(08)
    • [8].基于多条件随机场的短时交通流预测模型[J]. 计算机工程与设计 2017(10)
    • [9].基于流形距离的高速公路短时交通流预测模型[J]. 科学技术与工程 2020(18)
    • [10].交通事故下高速公路短时交通流预测[J]. 东莞理工学院学报 2020(05)
    • [11].基于深度学习的短时交通流预测模型[J]. 交通科学与工程 2020(03)
    • [12].短时交通流预测模型综述[J]. 都市快轨交通 2019(04)
    • [13].改进支持向量回归机的短时交通流预测[J]. 交通运输系统工程与信息 2019(04)
    • [14].一种平稳化短时交通流预测方法[J]. 测控技术 2018(02)
    • [15].基于深度学习的短时交通流预测[J]. 计算机应用研究 2017(01)
    • [16].布谷鸟算法优化小波神经网络的短时交通流预测[J]. 计算机应用与软件 2017(03)
    • [17].基于混沌时间序列局域法的短时交通流预测[J]. 计算机技术与发展 2015(01)
    • [18].基于模式识别的短时交通流预测[J]. 公路 2011(09)
    • [19].数据融合技术在短时交通流预测中的应用[J]. 交通科技 2010(S1)
    • [20].短时交通流预测系统的效率优化研究[J]. 交通信息与安全 2010(04)
    • [21].基于加权组合模型的短时交通流预测研究[J]. 测控技术 2018(05)
    • [22].基于轨迹数据的短时交通流预测[J]. 数码世界 2020(05)
    • [23].基于非参数回归的短时交通流预测研究综述[J]. 交通运输工程与信息学报 2008(04)
    • [24].基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 公路交通科技 2017(05)
    • [25].最小最大概率回归机在短时交通流预测中的应用[J]. 公路交通科技 2014(02)
    • [26].综合运输体系的短时交通流预测方法[J]. 交通建设与管理 2014(06)
    • [27].短时交通流预测研究[J]. 华东公路 2011(03)
    • [28].非参数回归方法在短时交通流预测中的应用[J]. 清华大学学报(自然科学版) 2009(09)
    • [29].短时交通流预测中的特征选择算法研究[J]. 交通运输系统工程与信息 2019(02)
    • [30].基于多源交通数据融合的短时交通流预测[J]. 重庆交通大学学报(自然科学版) 2019(05)

    标签:;  ;  ;  ;  ;  ;  

    短时交通流预测中的若干问题研究
    下载Doc文档

    猜你喜欢