基于混沌理论的短时交通流预测方法研究

• 作 者: 卓卉
• 出 处: 北京交通大学
• 发表日期: 2008年01期
• 关键词: 智能交通系统 短时交通流 预测 混沌 相空间重构 神经网络 小波分析

短时交通流预测对于动态交通诱导、先进的交通管理、交通控制与安全等,均具有重要的意义,已成为交通工程领域重点研究课题,是智能交通系统的核心研究内容之一。交通流系统本质上是人、车、路综合作用的一个复杂巨系统,是一个开放、远离平衡的系统。系统内部存在着非线性的相互作用,过程具有不可逆性。通过某种观测器获取到系统某一状态的时间序列蕴藏着系统内全部变量混沌运动的痕迹。混沌相空间重构理论提供了一种技术,用于认识该类系统内部演化过程,它通过系统整体行为的一维投影来重构复杂系统的整体行为,然后依其来对系统内在的复杂本质特征进行分析。本文在对交通流时间序列特性分析的基础上,对混沌时序动力系统的相空间重构方法进行了研究,对重构相空间参数进行了计算。在对基于混沌理论的短时交通流预测方法分析的基础上,针对局域法确定邻近点存在的不足,提出了改进的方案;并引入误差修正的思想,以充分利用一步预测得到的信息,提高预测精度。在此基础上,对现有的加权一阶局域预测模型进行了改进;结合具有并行处理及强大的非线性映射能力的神经网络,提出了混沌局域—RBF神经网络理论的短时交通流组合预测模型,相对于线性拟合的加权一阶局域预测模型提高了预测的精度;针对交通流时间序列非平稳特性,引进小波分析方法,建立小波—混沌局域—RBF神经网络的组合预测模型,模型从时频角度对具有非平稳特性的短时交通流时间序列进行多分辨分析,展现了原始交通流序列中蕴含的细节信息,兼顾了短时交通流的混沌特性,更加适用于具有非线性、混沌性和非平稳特性的短时交通流预测。实例数据的验证结果表明这三种模型均能取得较好的预测效果,相比较而言,小波—混沌局域—RBF神经网络的综合预测模型的预测效果最佳。