论文部分内容阅读
随着我国城市化进程的加快和经济的快速发展，城市人口、机动车保有量持续迅速增长。交通问题日益突出，目前成为城市发展的一个重大课题。智能交通系统(ITS)成为了有效解决城市交通问题的途径。交通流的精确预测是ITS的重要组成部分，也是有效的交通流诱导、交通事件检测等应用的基础和前提。交通流是一个多变量、时变的、结构复杂的非线性系统。传统的单个的预测模型只能概括系统的部分特性，因此预测精度有限。鉴于此，本文提出了基于相关路口分析和小波神经网络的城市道路交通流量的组合预测方法。文章对交通流预测模型、方法和实现进行了详细的研究，主要包括以下几个方面：(1)根据交通流预测的需要，提出了系统的交通数据预处理方法。文章提出了数据错误、丢失、冗余的判断方法和处理过程。如此有效的去除了噪声数据的干扰，保证尽量少的信息包含尽可能多的信息量，从而提高预测的效率和准确性。(2)文章建立单点神经网络预测模型。通过小波变换对神经网络进行了改善，并优化神经网络参数，从而提高预测模型的精度和实时性。(3)文章提出了对路网路口进行流量相关性分析的方法——主成分分析法。并利用历史数据，通过主成分法对路网目标路口(数据缺失路口)进行流量相关性分析。提出了利用路网相关路口数据预测流量的神经网络模型。(4)提出了基于神经网络的组合预测模型。综合单点预测模型和相关路口预测模型的优点，提出了组合神经网络预测模型。本文以城市道路路口为单元，根据实际路况，考虑路口间流量大小及路口间隔长度，将天河区部分路口建立局域路网。利用相关路口和目标路口历史数据通过小波神经网络分别进行预测，最后对预测结果再进行组合预测。文章对预测模型、方法和实现进行了详细的研究，并通过MATLAB进行仿真验证预测方法的有效性和实时性。