“机理+辨识”策略在短时交通流预测中多种结果合成

论文摘要

实时的短时交通流预测是城市交通控制与诱导的基础,也是智能交通系统的重要功能之一。目前研究发现,没有一种预测模型和方法能够适用于各种环境和条件下的交通流预测,进一步提高预测准确率的主要途径应该是从预测策略方面的研究。将“机理+辨识”预测策略应用到短时公路交通流预测中,研究线性组合预测最优权重,并用某高速公路3分钟短时交通流观测数据进行数值试验。研究内容和结果如下:（1）运用数理统计学,从理论上推导出线性组合预测的最优组合权重公式。特别地,采用稳健统计等理论,通过数学推导和仿真试验初步证明了简单平均法是极优的一种线性组合预测权重方法,但简单平均法一般不是最优的。（2）采用连续小波变换、非线性时间序列分析等技术,通过分析该短时交通流的数学性质,初步分析了其预测准确率。（3）采用支持向量回归模型、BP人工神经网络模型、径向基人工神经网络模型、指数平滑模型（一次、二次）和时间序列预测法中的自回归模型、动平均模型（一次、二次）对该短时交通流进行预测,得到8种单一预测结果。（4）将稳健统计技术、探索性数据分析技术引入到线性最优组合权重系数计算中来,共得到16组权重系数。通过误差分析、数值试验初步证实了上述线性组合预测的最优组合权重公式的正确性。研究表明:“机理+辨识”预测策略中的多种预测结果合成,除了采用现有的组合预测方法外,还应该采用更灵巧的稳健统计技术、探索性数据分析技术、重抽样技术,以达到对复杂时间序列指定特征优化的多结果合成。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 短时交通流预测及其研究意义
• 1.2 国内外发展现状
• 1.3 本文的主要工作
• 第二章 短时交通流智能预测模型介绍
• 2.1 短时交通流预测模型的特性
• 2.2 短时交通流主要智能预测模型介绍
• 2.2.1 支持向量机
• 2.2.2 BP 人工神经网络模型
• 2.2.3 径向基RBF 人工神经网络
• 2.3 稳健统计
• 2.4 反映预测误差的指标
• 2.5 本文使用符号
• 第三章 最优组合预测权重理论研究
• 3.1 “机理+辨识”预测策略
• 3.2 时间序列组合预测的统计学解释
• 3.2.1 组合预测介绍
• 3.2.2 线性组合预测的最优权重
• 3.3 简单平均法几乎是最优的
• 3.3.1 组合预测准确率的影响因素
• 3.3.2 简单平均法的最优性
• 3.4 小结
• 第四章 短时交通流的预测与组合预测
• 4.1 数据准备与数据性质分析
• 4.2 智能预测
• 4.2.1 智能预测与参数选择
• 4.2.2 预测结果
• 4.3 交通流组合预测数值试验
• 4.4 结论
• 第五章 总结与展望
• 5.1 总结与成果
• 5.2 展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢