資源描述:
《交通流量短時(shí)預(yù)測(cè)方法研究》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、北京交通大學(xué)碩士學(xué)位論文交通流量短時(shí)預(yù)測(cè)方法研究姓名:胡佩鋒申請(qǐng)學(xué)位級(jí)別:碩士專業(yè):交通運(yùn)輸規(guī)劃與管理指導(dǎo)教師:袁振洲20061201摘要交通流量短時(shí)預(yù)測(cè)研究在國(guó)際上一直很活躍。在過(guò)去的幾十年里,交通工程學(xué)者在這一研究領(lǐng)域做了大量的工作,取得了顯著的成果。在此基礎(chǔ)上,本文主要對(duì)交通流量短時(shí)預(yù)測(cè)做了進(jìn)一步地研究:(1)對(duì)交通工程的研究現(xiàn)狀進(jìn)行綜述,由此闡明短時(shí)交通流量預(yù)測(cè)在城市交通控制系統(tǒng)、交通擁擠狀態(tài)自動(dòng)識(shí)別和智能交通系統(tǒng)(ITS)的子系統(tǒng)交通誘導(dǎo)系統(tǒng)中的重要地位。(2)針對(duì)城市路網(wǎng)流量的時(shí)間和空間分布,分析了交通流量的主要特點(diǎn)。(
2、3)重點(diǎn)介紹了現(xiàn)有一些交通流量預(yù)測(cè)方法,分析了各種預(yù)測(cè)方法的特點(diǎn)和不足。這些方法主要包括:多元線性回歸方法、指數(shù)平滑方法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法、時(shí)間序列預(yù)測(cè)方法和多模型融合預(yù)測(cè)法?!?在現(xiàn)有預(yù)測(cè)模型的基礎(chǔ)上,結(jié)合交通流量的特性,應(yīng)用實(shí)測(cè)數(shù)據(jù)建模分析。并對(duì)時(shí)間序列模型預(yù)測(cè)交通流量的方法進(jìn)行改進(jìn),提出了一種基于歷史數(shù)據(jù)和預(yù)測(cè)當(dāng)天實(shí)測(cè)數(shù)據(jù)的新型時(shí)間序列預(yù)測(cè)模型。該方法比當(dāng)前通過(guò)一階差分處理交通流量數(shù)據(jù)的時(shí)間序列預(yù)測(cè)方法包含信息量大,預(yù)測(cè)精度高。另外,分別采用等步長(zhǎng)多模型融合預(yù)測(cè)方法和變步長(zhǎng)多模型融合預(yù)測(cè)方法進(jìn)行預(yù)測(cè)。最后,結(jié)合實(shí)例,對(duì)本文提出
3、的模型和現(xiàn)有模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。在此基礎(chǔ)上,指出各種模型的優(yōu)點(diǎn)、不足和需要進(jìn)一步研究的問(wèn)題,并對(duì)交通流量短時(shí)預(yù)測(cè)的發(fā)展進(jìn)行了展望。關(guān)鍵詞:智能交通系統(tǒng):短時(shí)交通流量預(yù)測(cè);神經(jīng)網(wǎng)絡(luò);時(shí)間序列;多模型融合預(yù)測(cè)分類號(hào):U491ABSTRACTStudyonshorttimetrafficflow(STTnpredictionisalwayspopularintheworlddunngthepastfewyears.Trafficengineershaddonealotofworksinthisfield,andobtainedlo
4、tsofremarkablefruits.ThenfutherstudyonSTTFpredictionisdoneinthisPapeL(1)Wereviewthehistoryandstatusontrafficengineeringstudy,then,theimportanceofSTTFpredictionisin打oducedinUrbanTrafficControlSystem,AutomaticCongestionIdentification(ACI)andTrafficGuidanceSystems(TGS)--a
5、sub—systemoftheIntelligentTransportationSystem(ITS).(2)Basedontrafficvolumetimeandspacedistributiononurbantrafficnetwork,maincharacteristicsoftrafficvolumeareintroducedandanalyzed.(3)Inthisthesis,webrieflyintroducesomeSrrFpredictionmethodsusedpopularinrecentyears.point
6、outtheirmeritsandshortages.Themethodsconcluding:multiplelinearregression,exponentialsmoothing,artificialneuralnetworks(ANN),timeseriesanalysisandmulti—modelfusionalgorithm(MMFA).(4)Basedonthesemethods,trafficvolumeproperties,andtrafficvolumedatafromtrafficdetectors,web
7、uildupsomemodelsandmakeafewanalysis.Animprovedtimeseriesmodelisprovidedinthisthesis,themodelisbasedonbothcurrentandhistorydata.Comparingtothetraditionaltimeseriesmodelwhichisjustusingcurrentdata(dealingwimbythefirstdifferencefirstly).itincludesmoreinformationandhasless
8、error.ThenequalsteplengthMMFAanddynamicsteplengthMMFAarealsousedtopredict.Atlast,theresultsofmodelscurrentusingandmod