论文部分内容阅读
本文主要研究短时交通流的预测方法。首先对交通工程的研究现状进行了综述，由此阐明了短时交通流预测在城市集成交通控制系统和作为未来交通模式的智能交通系统(ITS)中的重要地位。然后概要的总结了现有的一些交通流量预测方法，发现由于短时交通流(STTF)的非平稳性和突发性，大大的降低了这些传统流量预测方法的适用性。鉴于此，我们提出用小波(Wavelet)将短时交通流数据分解到不同尺度(频率)空间，再在各尺度空间分别进行预测，将预测的结构综合得到原流量序列的预测值的方法。为了小波分解后的大尺度(低频)数据更光滑，更利于预测，本文提出了在小波分解时选用光滑度较大的小波的方法。 对于分解后的低频数据的预测，传统的神经网络(NN)隐层单元数目的选取极大的影响预测的精度，并且它的数目的确定无理论上的指导。而模糊神经网络(FNN)一旦给定模糊规则，其网络结构就固定，而且模糊神经网络能极为准确的拟合光滑数据曲线。因此，本文采用了模糊神经网络预测小波分解后的低频数据。 对于分解后的高频随机数据，自回归(AR)模型预测能取得和模糊神经网络相当的精度，但它相对而言数学物理意义更明确，不需要确定繁杂的模糊规则。因此，本文对高频数据采用自回归模型预测。 仿真结果表明，先采用光滑度较大的小波将短时交通流数据分解到各尺度空间，然后用模糊神经网络预测低频数据，AR模型预测高频随机数据的方法对短时交通流量预测精度的提高具有明显的效果。