在如今國家經(jīng)濟水平飛速提升的時代,人們的物質(zhì)生活水平也逐漸提高。在交通出行方面,人們上班、旅游更傾向于自駕出行,同時車輛的購買量和使用頻率也隨之增加,這就容易造成交通擁堵的負擔。隨著人工智能的發(fā)展,各種智能系統(tǒng)也隨之出現(xiàn)。為了能夠減緩交通壓力,智能交通系統(tǒng)便被相關(guān)部門運用起來。智能交通系統(tǒng)不僅能夠給人們帶來有利于自己出行的交通信息,更能夠幫助相關(guān)部門進行有效的交通誘導(dǎo)和控制。交通誘導(dǎo)和控制的主要依據(jù)是對交通流進行精準、高效和實時的短時預(yù)測。其中,短時交通流預(yù)測的精準度更是起到了決定性的作用。越來越多的學(xué)者對短時交通流預(yù)測開始了深入的研究和探討。本文主要是針對如何提高短時交通流預(yù)測的精準度開展研究工作。為了提高短時交通流預(yù)測的精準度,本文從其預(yù)測方式和預(yù)測模型兩個方面著手研究,主要研究內(nèi)容為:(1)采用小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型�；诮煌鲾�(shù)據(jù)序列是具有高度非線性特征的時間序列,而小波神經(jīng)網(wǎng)絡(luò)在非線性時間序列識別和預(yù)測方面能表現(xiàn)出較好的效果,經(jīng)研究后決定采用小波神經(jīng)網(wǎng)絡(luò)作為本文短時交通流預(yù)測模型;(2)改進短時交通流預(yù)測方式。在短時交通流預(yù)測中,預(yù)測誤差具有一定的規(guī)律,為了能對預(yù)測誤差進行二次提取,本文引入誤差補償方法;同時,基于在一條具有高度非線性時間序列的交通流數(shù)據(jù)中仍存在著線性相關(guān)部分,為提高預(yù)測精準度,采用小波神經(jīng)網(wǎng)絡(luò)預(yù)測交通流序列的非線性部分,引入卡爾曼濾波預(yù)測交通流序列的線性部分,以此建立起基于混合小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測模型。(3)對蟻群算法進行改進,優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型。針對小波神經(jīng)網(wǎng)絡(luò)在預(yù)測時表現(xiàn)出對權(quán)值和小波因子敏感的缺點,引入蟻群算法進行優(yōu)化。為提高蟻群算法在尋優(yōu)過程中的精確度,對蟻群算法中啟發(fā)函數(shù)和信息素濃度的影響進行了改進。建立起基于改進蟻群算法的小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測模型。本文主要創(chuàng)新點為結(jié)合改進的蟻群算法和混合小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型,建立起一種基于改進蟻群的混合小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測模型。以此為基礎(chǔ),對從美國明尼蘇達德盧斯大學(xué)交通數(shù)據(jù)研究實驗室獲取到的不同時間段交通流數(shù)據(jù)集進行MATLAB2016b環(huán)境下的仿真實驗。通過運用四種預(yù)測模型——基于小波神經(jīng)網(wǎng)絡(luò)、基于混合小波神經(jīng)網(wǎng)絡(luò)、基于改進蟻群算法的小波神經(jīng)網(wǎng)絡(luò)和基于改進蟻群的混合小波神經(jīng)網(wǎng)絡(luò)進行短時交通流預(yù)測仿真實驗。實驗分析表明,基于改進蟻群的混合小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測比最初的預(yù)測方式在預(yù)測精準度和擬合度方面均有所提升,其中精準度的提升體現(xiàn)在預(yù)測偏差的減小,擬合度的提升體現(xiàn)在其數(shù)值從0.97204提高到0.98676。由于預(yù)測復(fù)雜度的加大,使預(yù)測所消耗的時間也略微增加,但仍然滿足短時交通流預(yù)測的實時性。從整體結(jié)果來看,本文基于改進蟻群的混合小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測在預(yù)測效果上具有更好的優(yōu)勢。
【學(xué)位單位】：東華理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP18;U491

【參考文獻】

相關(guān)期刊論文 前10條

1 徐卓函;;大數(shù)據(jù)時代人工智能的創(chuàng)新與發(fā)展研究[J];科技資訊;2015年33期

2 白林;郭科;劉斌;;快速傅里葉變換在地球化學(xué)數(shù)據(jù)降噪中的應(yīng)用[J];科學(xué)技術(shù)與工程;2015年26期

3 邱世崇;陸百川;馬慶祿;鄒巍;張勤;;基于時空特性分析和數(shù)據(jù)融合的交通流預(yù)測[J];武漢理工大學(xué)學(xué)報(信息與管理工程版);2015年02期

4 蔣士正;許榕;陳啟美;;基于變量選擇-神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜路網(wǎng)短時交通流預(yù)測[J];上海交通大學(xué)學(xué)報;2015年02期

5 趙娜;袁家斌;徐晗;;智能交通系統(tǒng)綜述[J];計算機科學(xué);2014年11期

6 傅貴;韓國強;逯峰;許子鑫;;基于支持向量機回歸的短時交通流預(yù)測模型[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2013年09期

7 曹慶奎;趙斐;;基于遺傳蟻群算法的港口集卡路徑優(yōu)化[J];系統(tǒng)工程理論與實踐;2013年07期

8 韓敏;許美玲;;一種基于誤差補償?shù)亩嘣煦鐣r間序列混合預(yù)測模型[J];物理學(xué)報;2013年12期

9 郁嬌嬌;;基于云模型的短時交通流預(yù)測[J];電子世界;2013年10期

10 張存保;萬平;梅朝輝;張培嶺;;雨天環(huán)境下高速公路交通流特性及模型研究[J];武漢理工大學(xué)學(xué)報;2013年03期

本文編號：2809748