本文關(guān)鍵詞：基于聚類(lèi)WNN-ARIMA的短時(shí)交通流預(yù)測(cè)研究與應(yīng)用

  更多相關(guān)文章： 短時(shí)交通流預(yù)測(cè) 聚類(lèi)分析 WNN-ARIMA 交通信號(hào)控制

【摘要】：近年來(lái),由于國(guó)家GDP的快速增長(zhǎng)、國(guó)民可支配收入的快速增加,以及城市化進(jìn)程的快速推進(jìn),城市的機(jī)動(dòng)車(chē)輛的保有量與日俱增,作為承載社會(huì)經(jīng)濟(jì)活動(dòng)的基礎(chǔ)設(shè)施,在給人們的生活帶來(lái)了極大的方便的同時(shí),但是其造成的能源消耗、城市交通擁堵、環(huán)境污染、機(jī)動(dòng)車(chē)交通安全等問(wèn)題卻日益突出,并已成為制約我國(guó)交通運(yùn)輸業(yè)的可持續(xù)發(fā)展的瓶頸。傳統(tǒng)的交通信號(hào)控制方法包括定周期控制方法和感應(yīng)控制方法以及多階段控制方法等已不適應(yīng)當(dāng)今的大城市的交通系統(tǒng)并且也無(wú)法有效解決上訴問(wèn)題。智能交通系統(tǒng)(ITS, Intelligent Transportation System)在理論上可行并有望解決上訴問(wèn)題。智能交通系統(tǒng)(ITS)是通過(guò)新的信息融合技術(shù)構(gòu)建交通控制系統(tǒng)來(lái)減少道路交叉口等擁堵、減少資源消耗和降低環(huán)境污染等問(wèn)題的。在ITS中,交通流狀態(tài)信息的預(yù)測(cè)是非常重要的一部分,其不僅僅在先進(jìn)的出行者信息系統(tǒng)(ATIS, Advanced Traveler Information Systems)中發(fā)揮著極其重要的作用,其對(duì)交通控制系統(tǒng)的有效控制也起到的極好的優(yōu)化作用。城市道路交通系統(tǒng)是一個(gè)時(shí)刻變化著的復(fù)雜系統(tǒng),其狀態(tài)極難預(yù)先知道且沒(méi)有直觀的規(guī)律可循,短時(shí)交通流流量的預(yù)測(cè)問(wèn)題處理的好與壞直接關(guān)系到智能交通系統(tǒng)的試驗(yàn)效果,其中非常重要的一部分為短時(shí)交通流流量的預(yù)測(cè)問(wèn)題。及時(shí)準(zhǔn)確的短時(shí)交通流的狀態(tài)參數(shù)的預(yù)測(cè)信息將更有力的保障道路的暢通和交通系統(tǒng)的高效運(yùn)行。本文將對(duì)當(dāng)前短時(shí)交通流預(yù)測(cè)模型的應(yīng)用中所表現(xiàn)出的精度相對(duì)較低、收斂較慢以及性能的穩(wěn)定性等問(wèn)題,在對(duì)短時(shí)交通流特性和預(yù)測(cè)問(wèn)題研究的基礎(chǔ)上,并提出了通過(guò)聚類(lèi)分析技術(shù)、小波神經(jīng)網(wǎng)絡(luò)模型和時(shí)間序列模型ARIMA改進(jìn)的一種新的數(shù)據(jù)驅(qū)動(dòng)的短時(shí)交通流預(yù)測(cè)模型,并通過(guò)短時(shí)交通流預(yù)測(cè)模型對(duì)教研室現(xiàn)有交通控制系統(tǒng)模型進(jìn)行優(yōu)化和改進(jìn)。本文的主要貢獻(xiàn)有以下方面：第一,本文在對(duì)研究最近的交通流狀態(tài)信息預(yù)測(cè)模型研究的基礎(chǔ)上,分析了不同交通環(huán)境下交通流量表現(xiàn)出的基本的狀態(tài)參數(shù)及其相關(guān)特性,并結(jié)合數(shù)據(jù)預(yù)處理方法對(duì)交通流進(jìn)行了預(yù)處理一修復(fù)錯(cuò)誤數(shù)據(jù)和缺失數(shù)據(jù),消除數(shù)據(jù)缺陷對(duì)預(yù)測(cè)模型的預(yù)測(cè)精確度的影響。第二,結(jié)合小波神經(jīng)網(wǎng)絡(luò)、自回歸積分滑動(dòng)平均模型模型和聚類(lèi)分析技術(shù),集合各模型的優(yōu)缺點(diǎn)提出了改進(jìn)后的交通流預(yù)測(cè)算法,稱(chēng)作基于聚類(lèi)WNN—ARIMA的短時(shí)交通流流量預(yù)測(cè)模型方法,最后通過(guò)開(kāi)放交通數(shù)據(jù)庫(kù)PeMS和VISSIM對(duì)模型仿真實(shí)驗(yàn),仿真試驗(yàn)結(jié)果表明,本文提出的短時(shí)交通流算法具有更好的穩(wěn)定性和更高的預(yù)測(cè)精度。第三,基于本文提出的短時(shí)交通流流量預(yù)測(cè)算法對(duì)現(xiàn)有的自適應(yīng)交通信號(hào)控制系統(tǒng)進(jìn)行改進(jìn)優(yōu)化,針對(duì)大連市19個(gè)交叉口的交通路網(wǎng),利用VISSIM交通系統(tǒng)微觀仿真平臺(tái)對(duì)改進(jìn)后的自適應(yīng)交通信號(hào)控制系統(tǒng)進(jìn)行仿真實(shí)驗(yàn),VISSIM平臺(tái)仿真實(shí)驗(yàn)結(jié)果表明改進(jìn)后交通信號(hào)控制系統(tǒng)可有效的提高本教研室已研發(fā)的自適應(yīng)交通信號(hào)控制系統(tǒng)的性能。
【關(guān)鍵詞】：短時(shí)交通流預(yù)測(cè) 聚類(lèi)分析 WNN-ARIMA 交通信號(hào)控制
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：U491.14;TP183
【目錄】：

• 摘要4-6
• Abstract6-10
• 1 緒論10-16
• 1.1 研究背景及意義10-11
• 1.1.1 研究背景10-11
• 1.1.2 研究意義11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 短時(shí)交通流預(yù)測(cè)研究現(xiàn)狀11-12
• 1.2.2 智能交通系統(tǒng)的發(fā)展現(xiàn)狀12-13
• 1.3 本文研究?jī)?nèi)容與組織結(jié)構(gòu)13-16
• 1.3.1 論文研究?jī)?nèi)容13-14
• 1.3.2 論文的組織結(jié)構(gòu)14-16
• 2 交通流預(yù)測(cè)方法研究16-22
• 2.1 交通流預(yù)測(cè)研究方法16-18
• 2.1.1 研究?jī)?nèi)容16
• 2.1.2 交通流預(yù)測(cè)流程16-17
• 2.1.3 交通流預(yù)測(cè)模型分類(lèi)17-18
• 2.2 短時(shí)交通流預(yù)測(cè)相關(guān)理論18-19
• 2.2.1 短時(shí)交通流預(yù)測(cè)概念18
• 2.2.2 短時(shí)交通流特性分析18-19
• 2.3 短時(shí)交通流預(yù)測(cè)模型19-20
• 2.3.1 短時(shí)交通流預(yù)測(cè)模型建立原則19
• 2.3.2 短時(shí)交通流預(yù)測(cè)評(píng)價(jià)指標(biāo)19-20
• 2.4 交通流數(shù)據(jù)的獲取和預(yù)處理20-21
• 2.4.1 交通流數(shù)據(jù)的獲取20-21
• 2.4.2 交通流數(shù)據(jù)的預(yù)處理21
• 2.5 本章小結(jié)21-22
• 3 基于聚類(lèi)WNN-ARIMA的短時(shí)交通流預(yù)測(cè)模型22-34
• 3.1 聚類(lèi)分析基礎(chǔ)22-23
• 3.1.1 聚類(lèi)分析概述22
• 3.1.2 相似性度量22
• 3.1.3 聚類(lèi)分析在交通流時(shí)間序列中的應(yīng)用22-23
• 3.2 小波網(wǎng)絡(luò)基礎(chǔ)23-31
• 3.2.1 神經(jīng)網(wǎng)絡(luò)概述23-25
• 3.2.2 小波神經(jīng)網(wǎng)絡(luò)25-31
• 3.3 ARIMA模型31
• 3.4 基于聚類(lèi)WNN-ARIMA模型的短時(shí)交通流預(yù)測(cè)31-33
• 3.4.1 交通流預(yù)測(cè)基礎(chǔ)31-32
• 3.4.2 基于聚類(lèi)WNN-ARIMA的短時(shí)交通流預(yù)測(cè)模型的設(shè)計(jì)實(shí)現(xiàn)32-33
• 3.5 本章小結(jié)33-34
• 4 基于短時(shí)交通流預(yù)測(cè)模型的交通信號(hào)控制系統(tǒng)的優(yōu)化設(shè)計(jì)34-47
• 4.1 交通控制系統(tǒng)概述34-36
• 4.2 交通控制系統(tǒng)架構(gòu)36-38
• 4.2.1 交通控制系統(tǒng)的物理架構(gòu)36-37
• 4.2.2 交通控制系統(tǒng)的邏輯架構(gòu)37-38
• 4.338-46
• 4.3.1 路口交通流預(yù)測(cè)模塊38-39
• 4.3.2 路口信號(hào)控制模塊39-46
• 4.3.3 基于短時(shí)交通流預(yù)測(cè)模型的交通信號(hào)控制系統(tǒng)圖示46
• 4.4 本章小結(jié)46-47
• 5 實(shí)驗(yàn)及結(jié)果分析47-56
• 5.1 短時(shí)交通流預(yù)測(cè)實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析47-51
• 5.1.1 仿真實(shí)驗(yàn)設(shè)計(jì)47
• 5.1.2 結(jié)果分析47-51
• 5.2 交通信號(hào)控制系統(tǒng)實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析51-55
• 5.2.1 仿真實(shí)驗(yàn)平臺(tái)介紹與設(shè)計(jì)51-54
• 5.2.2 結(jié)果分析54-55
• 5.3 本章小結(jié)55-56
• 結(jié)論56-58
• 參考文獻(xiàn)58-62
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況62-63
• 致謝63-64

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李瑞敏;唐瑾;;過(guò)飽和交叉口交通信號(hào)控制動(dòng)態(tài)規(guī)劃優(yōu)化模型[J];交通運(yùn)輸工程學(xué)報(bào);2015年06期

2 王力;李岱;何忠賀;馬旭輝;;基于多智能體分群同步的城市路網(wǎng)交通控制[J];控制理論與應(yīng)用;2014年11期

3 李松;劉力軍;翟曼;;改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J];系統(tǒng)工程理論與實(shí)踐;2012年09期

4 沈國(guó)江;王嘯虎;孔祥杰;;短時(shí)交通流量智能組合預(yù)測(cè)模型及應(yīng)用[J];系統(tǒng)工程理論與實(shí)踐;2011年03期

5 宋英;;數(shù)據(jù)挖掘技術(shù)中聚類(lèi)算法的研究[J];科學(xué)咨詢(xún)(科技管理);2010年08期

6 竇慧麗;劉好德;吳志周;楊曉光;;基于小波分析和ARIMA模型的交通流預(yù)測(cè)方法[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

7 張玉梅;曲仕茹;溫凱歌;;基于混沌和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)[J];系統(tǒng)工程;2007年11期

8 趙建玉;賈磊;楊立才;朱文興;;基于粒子群優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)[J];公路交通科技;2006年07期

9 楊立才,賈磊,趙建玉,鐘麥英;基于粗集理論的交通控制系統(tǒng)研究[J];中國(guó)公路學(xué)報(bào);2005年02期

10 楊世堅(jiān),賀國(guó)光;基于模糊C均值聚類(lèi)和神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法[J];系統(tǒng)工程;2004年08期

，

本文編號(hào)：571193