資源描述：
《基于小波理論的短時(shí)交通流預(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、長(zhǎng)沙理工大學(xué)碩士學(xué)位論文基于小波理論的短時(shí)交通流預(yù)測(cè)方法研究姓名：喻丹申請(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：吳義虎20080320摘要實(shí)時(shí)、準(zhǔn)確的短時(shí)交通流預(yù)測(cè)是智能交通控制與管理的基礎(chǔ)，許多預(yù)測(cè)方法被提出，但是，因未考慮短時(shí)交通流中不確定干擾因素的影響，或者將各干擾簡(jiǎn)單復(fù)合統(tǒng)一處理，預(yù)測(cè)結(jié)果準(zhǔn)確性較差。本文從短時(shí)交通流特性分析出發(fā)，利用PCA主成分分析法和分形理論驗(yàn)證短時(shí)交通流是一組包含干擾信號(hào)的混沌序列，具有最小可預(yù)測(cè)周期。短時(shí)交通流成分復(fù)雜，不同特性信號(hào)成分在預(yù)測(cè)中的作用不同，因此本文基于改進(jìn)的Mallat算法進(jìn)行小波分解和單支重構(gòu)，將短時(shí)交通流分離成低頻
2、確定信號(hào)、高頻混沌信號(hào)和高頻干擾信號(hào)。對(duì)各分解信號(hào)，構(gòu)造雙層小波網(wǎng)絡(luò)分別預(yù)測(cè)：第一層小波網(wǎng)絡(luò)WNN．1用于低頻確定信號(hào)和高頻干擾信號(hào)的預(yù)測(cè)；第二層小波網(wǎng)絡(luò)WNN．2用于高頻混沌信號(hào)的預(yù)測(cè)。最后，將各分解信號(hào)預(yù)測(cè)值迭加以獲得包含原始信號(hào)所有特性成分的預(yù)測(cè)值。算例研究表明，本文提出的雙層小波網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)法具有較高預(yù)測(cè)精度和較快的預(yù)測(cè)速度。關(guān)鍵詞：短時(shí)交通流；雙層小波網(wǎng)絡(luò)；多分辨；信號(hào)分解；混沌AbstractThecontrollingandmanagementofintectlencetrafficisbasedonthereal-timeandaccurateforec
3、astingofshort·termtrafficflow．Agreatmanyofforecastingapproachesforshort—termtrafficflowareadvanced．Buttheprecisionoftheseforecastingapproachesaredissatisfiedduetotheinfluenceofalltheinterferencedon’tbeconsideredfullyorthecombinedactionofinterferenceistransactedbysinglemethod．Sothecharacteri
4、sticofshort—termtrafficflowisanalyzedfirstbymethodnamedPrincipalComponentAnalysisandFractalTheoryinthepaper．Wecouldconcludethattheshort—termtrafficflowpossessedminimalpredictablecycleisasetofchaotictimeserialcontainingmuchinterference，andthedifferentcomponentinshort·termtrafficflowowneddiff
5、erentcharacteristichasdifferentinfluencefortheforecastingresults．SotheimprovedMallatalgorithmisadvancedinthepapertocompleteinformationseparation，whichisamethodusedforshort—termtrafficflowwaveletdecompositionandsingle-branchreconstruction，technically．Andtheshort-termtrafficflowtimeserialrese
6、archedinthepapercouldbeseparatedintolow·ffequencydetermineinformation，high·frequencychaoticinformationandhigh-frequencyinterferenceinformation．Thenadouble·layerwaveletnetworkisestablishedtoforecasttheinformationseparated：thefirstlayerofwaveletnetworkismarkedasWNN·1，whichisusedtoforecastthel
7、ow-·frequencydetermineinformationandhigh·-frequencyinterferenceinformation；thesecondlayerofwaveletnetworkiSmarkedasWNN·2，whichisusedtoforecastthehigh-矗equencychaoticinformation．Intheend，wecouldgettheforecastingresultsofshort—termtrafficflowbysuperposingt
