資源描述：
《基于狀態(tài)劃分的交通流短時(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。
1、中圖分類號(hào)UDC：學(xué)校代碼：10004密級(jí)：公開北京交通大學(xué)碩士學(xué)位論文基于狀態(tài)劃分的交通流短時(shí)預(yù)測(cè)方法研究StudyontheShort—temPredictionMethodofrI’ra伍cF10wBasedonStateDivision作者姓名：劉靜導(dǎo)師姓名：關(guān)偉學(xué)位類別：工學(xué)學(xué)科專業(yè)：系統(tǒng)工程學(xué)號(hào)：0412105l職稱：教授學(xué)位級(jí)別：碩士研究方向：智能交通北京交通大學(xué)2006年12月jE夏至逼態(tài)堂亟±堂僮迨塞生塞趟曩中文摘要摘要：城市化進(jìn)程給世界許多大城市帶來了嚴(yán)重的交通問題。智能交通系統(tǒng)是解
2、決城市交通閩題的有效途徑，交通控制與誘導(dǎo)是智能交通系統(tǒng)的重要組成部分，而實(shí)時(shí)準(zhǔn)確的交通流預(yù)測(cè)是交通控制與誘導(dǎo)系統(tǒng)發(fā)揮作用的前提及關(guān)鍵。人們開發(fā)了多種交通流短時(shí)預(yù)測(cè)模型，但它們都是建立在傳統(tǒng)交通流理論基礎(chǔ)之上，而傳統(tǒng)交通流理論描述的是二維平面基礎(chǔ)上的連續(xù)交通流三參數(shù)關(guān)系。所以上述模型無法反映實(shí)際交通流數(shù)據(jù)出現(xiàn)的不連續(xù)的突變現(xiàn)象，從而無法在突變點(diǎn)改變預(yù)測(cè)策略，而實(shí)證數(shù)據(jù)表明交通流在突變點(diǎn)的變化是明顯的，這在很大程度上降低了預(yù)測(cè)模型的實(shí)用效果。本文受Kemer的“三相交通流理論”的啟發(fā)，研究了基于交通狀態(tài)劃分
3、的交通流短時(shí)預(yù)測(cè)方法。首先應(yīng)用小波分析對(duì)北京市二環(huán)路檢測(cè)器檢測(cè)到的實(shí)際數(shù)據(jù)進(jìn)行狀態(tài)劃分，確定自由流、同步流和寬移動(dòng)堵塞三種狀態(tài)的流量、速度、密度閾值。然后分別構(gòu)建單一的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和卡爾曼濾波預(yù)測(cè)模型，并用北京二環(huán)路數(shù)據(jù)進(jìn)行實(shí)證分析。本文的重點(diǎn)和創(chuàng)新點(diǎn)是基于狀態(tài)劃分的預(yù)測(cè)方法的設(shè)計(jì)，該方法在預(yù)測(cè)的同時(shí)根據(jù)確定的密度閾值動(dòng)態(tài)判斷交通流是否發(fā)生了狀態(tài)突變，從而決定下～步的預(yù)測(cè)策略。其中，自由流狀態(tài)應(yīng)用卡爾曼濾波模型，同步流和寬移動(dòng)堵塞狀態(tài)應(yīng)用神經(jīng)網(wǎng)絡(luò)模型。經(jīng)實(shí)證分析，基于狀態(tài)劃分的方法比單一的神經(jīng)網(wǎng)絡(luò)模
4、型和卡爾曼濾波模型有更高的預(yù)測(cè)精度。關(guān)鍵詞：交通流；短時(shí)預(yù)測(cè)：狀態(tài)劃分；神經(jīng)網(wǎng)絡(luò)；卡爾曼濾波jb立童適盔堂砸±堂僮絲塞△旦S工叢￡!ABSTRACTABSTRACT：Serious仃a塌cproblemappearsbecauseofurbanizationinmanycities．IntelligcntTrallsponationSystems(ITS)isonee舵ctiVeapproachtos01VeitAndtra伍ccontr01aIldroutegllidanceisveryimponan
5、tinITS．Att11esametime，tlleshon—te肌predictionofreal一timetra瓶cnowiskeytorealizethe打a伍ccontr01androuteguidancePeoplehavedesiglledmallypredictionmodelsbasedontradition“tra伍cnowtheo阱w11ichdescnbesunintcrnIptedparametersintwo—dimensionplane．SoaboVemodelsc鋤otre
6、flectthebreal(pointinactllal訂瓶c．111fact，demonstrationindicatesthattra伍cflowehangesobviouslyinthebreakpoint．Therefore，predictionprecisionf甜ls．hlthisp印盯，i11spiredby“three．ph粥etramcnow”theo阱ashort—tempredictionmemodoftr瓶cnowbasedonstatedivisionisstlldied．Fi
7、rSt，bywaveleta11alysis，t11eactualdataofBe玎ingsecond—ringroadisdiVidedtllreedi丘釘entstatesaccordingto“three-phasetra伍cnow”．Andmedom咖sof訂amcflowp猢cters(nowrate，velocity肌ddellsity)ofdi他reIltstates(丘eenow，s”chronizednowandwidemoVingj鋤)aregained．Andmen，thesing
8、leNeuralNetworkpredictionmodelaIldKalmanfilt盯predictionmodelaredesignedrespec村veIy，combiningwithanalysisontheactual仃amcnowdata．Thepredictionmethodbasedonstatedi、risionisthispaper’scorcandi珊ovation，whichcanjudgeiftra塌cnowbr
