论文部分内容阅读
随着经济的持续高速发展，城市规模不断扩大，城市交通问题变得十分尖锐。智能交通系统是目前公认的解决城市交通拥堵和提高道路通行能力的有效措施，而其对交通流进行控制和疏导的前提和关键是准确实时的交通流预测。本文根据交通流数据的特点，提出了使用数据挖掘技术中的时间序列模型及支持向量机对短时交通流进行预测，其中时间序列模型主要用到了移动平均、指数平滑和ARMA模型，并对其中的指数平滑算法进行了改进，克服了原算法中平滑参数不能很好的反映交通流数据变化特点的问题。本文的主要研究工作如下：第一，为了进一步提高预测的准确率，本文根据数据挖掘中的数据预处理技术提出了切合交通流数据特点的数据预处理方法：使用间隔为五分钟的数据；保留占有率为零，而流量和速度不为零的误差数据；结合一天的交通流量分布图进行时段划分，针对每个时段的变化趋势，计算出了各自对应的缺省值。通过数据预处理，为下面的短时交通流预测提供了准确可靠的数据支持。第二，根据交通流数据拥有较强的时间关联性这一特点，本文提出了使用数据挖掘中的时间序列模型以及支持向量机对其进行预测，通过实验证明，时间序列模型中的二次指数平滑法执行效率和预测准确率都较高。第三，针对二次指数平滑法中，平滑参数α不能很好的体现交通流数据变化特点的问题，本文通过公式推导，提出使用“动态平滑参数”替代原来的“静态平滑参数”，通过实验对比，发现能有效提高交通流预测效果。