论文部分内容阅读
交通流诱导与控制系统作为一种精细化和智慧化的交通管理方式,其实现基础在于实时、动态和精准的短时交通流预测。城市道路网络交通流具有严密的时空逻辑关系,从理论上来讲,只有充分融合预测点及其上下游关联点交通流的时空运动信息才能准确还原和模拟交通流的真实运动特性。同时考虑到由于历史或现实因素影响,许多城市无法提供长期完善的交通流历史数据库,因此需要建立一种小样本数据条件下的短时交通流预测模型。本文的研究工作正是基于以上两点展开。论文首先总结分析了当前主流交通流预测模型,指出以模型融合为主的混合模型和融合时空信息的复合预测模型是目前交通流预测的研究重点,同时通过分析对本文所采用的预测模型进行了选定；其次,详细阐述了城市路网交通流时空流动关系,给出融合时空信息的短时交通流预测原理,明确将预测点及其上下游直接关联点作为系统分析对象；然后,为了降低输入维度,过滤无效信息,利用改进的灰色综合关联度法从直接关联点中筛选出对预测点起主要影响作用的强关联点；构造了改进的灰色Elman神经网络的预测算法,融合灰色理论与Elman神经网络模型,针对Elman网络对高阶系统辨识能力不足的问题,对网络结构加以改进,加强网络对交通流动态性的反映；构造了改进的NPSO-GRNN的预测算法,引入小生境技术的同时对惯性权重和学习因子加以改进,革除了传统PSO算法中常见的“局部最优解”和“早熟”收敛的弊端,利用改进的NPSO算法建立针对GRNN网络参数光滑因子的最优化模型,提高模型预测性能。通过仿真试验,可以发现在小样本数据条件下本文所提出的两种改进组合模型都表现出良好的预测性能,在预测指标、收敛速度、泛化能力等方面都优于各自的原始模型。最后,综合考虑模型的预测精度以及预测稳定性,得出改进的灰色Elman神经网络模型比改进的NPSO-GRNN模型有更高的工程实际应用价值。