本文關(guān)鍵詞：短時(shí)交通流分析及預(yù)測，，由筆耕文化傳播整理發(fā)布。

【摘要】：短時(shí)交通流預(yù)測是交通控制和誘導(dǎo)系統(tǒng)實(shí)現(xiàn)的前提,高精度的短時(shí)交通流預(yù)測對良性交通導(dǎo)航、城市道路使用效率的提高、交通擁堵的緩解有著重要意義,因此,智能交通控制與誘導(dǎo)要取得較好的實(shí)施效果,必須處理好短時(shí)交通流的預(yù)測問題。本文分析了短時(shí)交通流的多種特性,并運(yùn)用其相似性和多尺度特性對短時(shí)交通流進(jìn)行預(yù)測,文章的主要工作和創(chuàng)新成果如下：(1)研究了美國加州高速公路某單點(diǎn)交通流在不同時(shí)間尺度上的相似性,發(fā)現(xiàn)以周為時(shí)間尺度的交通流的相似性大于以日為時(shí)間尺度的交通流的相似性,然后根據(jù)相似性分別構(gòu)建小波神經(jīng)網(wǎng)絡(luò)(WNN)、BP神經(jīng)網(wǎng)絡(luò)(BPN)和最小二乘支持向量機(jī)(LSSVM)模型,并分別選取相鄰周和相鄰天的交通流作為樣本采用上述模型對這兩組交通流分別進(jìn)行預(yù)測,對比預(yù)測結(jié)果后發(fā)現(xiàn)：以周為時(shí)間尺度的交通流數(shù)據(jù)做樣本的預(yù)測精度要高于后者的預(yù)測精度。(2)引入了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和WNN的短時(shí)交通流組合預(yù)測模型。該模型先用EEMD分解交通流得到多尺度分量,在此基礎(chǔ)上,運(yùn)用WNN對各子序列分別進(jìn)行預(yù)測,最后將各子序列的預(yù)測結(jié)果疊加得到最終結(jié)果。結(jié)果表明該模型具有很高的預(yù)測精度,明顯優(yōu)于EMD-BPN的組合預(yù)測。(3)引入了基于EEMD-近似熵和WNN的組合預(yù)測模型。該模型在利用EEMD分解交通流得到多尺度分量后,再用近似熵計(jì)算各子序列的復(fù)雜度并重組得到新的子序列,然后分別對各子序列運(yùn)用WNN建模預(yù)測,最后將各子序列的預(yù)測結(jié)果進(jìn)行疊加得到最終結(jié)果。結(jié)果表明該模型與EEMD-WNN相比降低了預(yù)測的復(fù)雜度,與LSSVM模型相比有較高的預(yù)測精度。同時(shí),也給出了利用此模型對重大節(jié)假日的短時(shí)交通流進(jìn)行預(yù)測的結(jié)果,研究結(jié)果表明采用以年為時(shí)間尺度的交通流做訓(xùn)練樣本,可提高重大節(jié)假日短時(shí)交通流的預(yù)測精度。上述研究結(jié)果表明：結(jié)合交通流的多種特性對交通流進(jìn)行預(yù)測不僅有助于進(jìn)一步提高預(yù)測精度,更為緩解城市交通擁堵提供有效依據(jù)。
【關(guān)鍵詞】：智能交通 短時(shí)交通流預(yù)測 相似性 多尺度特性 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U491.112
【目錄】：

• 摘要5-6
• ABSTRACT6-8
• 第一章 緒論8-15
• 1.1 研究背景及意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-12
• 1.3 本文主要工作及創(chuàng)新點(diǎn)12-13
• 1.4 本文結(jié)構(gòu)13-15
• 第二章 理論基礎(chǔ)介紹15-29
• 2.1 交通流特性分析15-17
• 2.2 交通流特性分析方法17-21
• 2.2.1 相似性判據(jù)17-18
• 2.2.2 集合經(jīng)驗(yàn)?zāi)B(tài)分解18-20
• 2.2.3 近似熵20-21
• 2.3 預(yù)測模型21-26
• 2.3.1 BP神經(jīng)網(wǎng)絡(luò)22-23
• 2.3.2 小波神經(jīng)網(wǎng)絡(luò)23-25
• 2.3.3 最小二乘支持向量機(jī)25-26
• 2.4 評價(jià)指標(biāo)26-27
• 2.5 本章小結(jié)27-29
• 第三章 基于相似性的短時(shí)交通流預(yù)測29-41
• 3.1 引言29-30
• 3.2 數(shù)據(jù)來源與處理30-31
• 3.3 小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析31-39
• 3.3.1 相似性判斷31-34
• 3.3.2 預(yù)測分析及評價(jià)34-39
• 3.4 本章小結(jié)39-41
• 第四章 基于EEMD和WNN的短時(shí)交通流組合預(yù)測41-49
• 4.1 引言41-42
• 4.2 數(shù)據(jù)的選取42
• 4.3 EEMD-WNN預(yù)測模型的構(gòu)建42-43
• 4.4 預(yù)測結(jié)果分析43-48
• 4.4.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解43-45
• 4.4.2 預(yù)測分析及評價(jià)45-48
• 4.5 本章小結(jié)48-49
• 第五章 基于EEMD-ApEn-WNN的短時(shí)交通流組合預(yù)測49-65
• 5.1 引言49-50
• 5.2 數(shù)據(jù)的選取50-51
• 5.3 EEMD-ApEn-WNN預(yù)測模型的構(gòu)建51-52
• 5.4 預(yù)測結(jié)果分析52-57
• 5.4.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解與近似熵計(jì)算52-53
• 5.4.2 預(yù)測結(jié)果分析53-57
• 5.5 重大節(jié)假日短時(shí)交通流預(yù)測57-63
• 5.6 本章小結(jié)63-65
• 第六章 總結(jié)與展望65-67
• 6.1 總結(jié)65-66
• 6.2 展望66-67
• 參考文獻(xiàn)67-71
• 致謝71-72
• 作者簡介72-73

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 唐明,陳寶星,柳伍生;基于相空間重構(gòu)的短時(shí)交通流分形研究[J];山東交通學(xué)院學(xué)報(bào);2004年01期

2 華冬冬,陳森發(fā);非線性短時(shí)交通流的一種神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J];現(xiàn)代交通技術(shù);2004年01期

3 田晶;楊玉珍;陳陽舟;;短時(shí)交通流量兩種預(yù)測方法的研究[J];公路交通科技;2006年04期

4 蔣海峰;馬瑞軍;魏學(xué)業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識別短時(shí)交通流混沌特性的方法[J];鐵道學(xué)報(bào);2006年02期

5 蔣海峰;王鼎媛;張仲義;;短時(shí)交通流的非線性動力學(xué)特性[J];中國公路學(xué)報(bào);2008年03期

6 李松;劉力軍;郭海玲;;短時(shí)交通流混沌預(yù)測方法的比較[J];系統(tǒng)工程;2009年09期

7 許倫輝;唐德華;鄒娜;夏新海;;基于非線性時(shí)間序列分析的短時(shí)交通流特性分析[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

8 李雁;陸海亭;張寧;;一種短時(shí)交通流異常數(shù)據(jù)識別新算法[J];公路交通科技(應(yīng)用技術(shù)版);2010年04期

9 承向軍;劉軍;馬敏書;;基于分形理論的短時(shí)交通流預(yù)測算法[J];交通運(yùn)輸系統(tǒng)工程與信息;2010年04期

10 張立;謝忠玉;陳凱;;基于混沌理論的短時(shí)交通流局域預(yù)測模型[J];黑龍江工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2011年02期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 翁小雄;翦俊;;短時(shí)交通流頻譜分析與預(yù)測[A];第二十六屆中國控制會議論文集[C];2007年

2 張利;李星毅;施化吉;;一種基于ARIMA模型的短時(shí)交通流量改進(jìn)預(yù)測算法[A];2007第三屆中國智能交通年會論文集[C];2007年

中國重要報(bào)紙全文數(shù)據(jù)庫 前1條

1 本報(bào)記者 李嬋;交通擁堵為何預(yù)測不準(zhǔn)[N];北京科技報(bào);2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 郭歡;基于灰理論的短時(shí)交通流動力學(xué)建模預(yù)測與優(yōu)化研究[D];武漢理工大學(xué);2013年

2 張曉利;基于非參數(shù)回歸的短時(shí)交通流量預(yù)測方法研究[D];天津大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 喻丹;基于小波理論的短時(shí)交通流預(yù)測方法研究[D];長沙理工大學(xué);2008年

2 謝生龍;城市道路短時(shí)交通流動態(tài)預(yù)測方法研究與應(yīng)用[D];長安大學(xué);2015年

3 胡浩然;基于Hadoop平臺的短時(shí)交通流預(yù)測算法研究[D];華南理工大學(xué);2016年

4 符義琴;短時(shí)交通流分析及預(yù)測[D];南京信息工程大學(xué);2016年

5 陳功;數(shù)據(jù)挖掘技術(shù)在智慧交通中的應(yīng)用[D];電子科技大學(xué);2016年

6 卓卉;基于混沌理論的短時(shí)交通流預(yù)測方法研究[D];北京交通大學(xué);2008年

7 唐明;短時(shí)交通流特性及其預(yù)測方法的研究[D];長沙理工大學(xué);2004年

8 華冬冬;短時(shí)交通流的混沌性分析及其基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型研究[D];東南大學(xué);2005年

9 王小英;道路網(wǎng)短時(shí)交通流分析與預(yù)測[D];武漢理工大學(xué);2010年

10 劉錦娣;城市短時(shí)交通流預(yù)測模型研究[D];石家莊鐵道大學(xué);2012年

  本文關(guān)鍵詞：短時(shí)交通流分析及預(yù)測，由筆耕文化傳播整理發(fā)布。

本文編號：458992