本文關(guān)鍵詞：基于組合模型的短時交通流的預(yù)測研究　出處：《蘭州交通大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 短時交通流預(yù)測 移動平均模型 GRNN神經(jīng)網(wǎng)絡(luò) 組合模型

【摘要】：隨著經(jīng)濟(jì)的發(fā)展和城市化進(jìn)程的加快，汽車保有量逐年增加，出行者的數(shù)量也在急劇增長，這給原本就十分緊張的的交通帶來了巨大的壓力，交通問題已經(jīng)成為制約國民經(jīng)濟(jì)發(fā)展的瓶頸問題，其中，對于人們的生活影響最大的就是交通擁堵問題，智能交通系統(tǒng)是解決交通擁堵問題的有效手段。智能交通系統(tǒng)（Intelligent Transport System，簡稱ITS）綜合應(yīng)用信息技術(shù)、通訊傳輸技術(shù)、電子控制技術(shù)和計算機(jī)處理技術(shù)等，對交通信息進(jìn)行有效地采集、加工和處理，目的是實時、精確地反映當(dāng)前及其未來的交通狀態(tài)，最終實現(xiàn)對交通進(jìn)行科學(xué)的組織和控制。 短時交通流預(yù)測是ITS的核心內(nèi)容，本文對短時交通流進(jìn)行預(yù)測旨在得到實時、準(zhǔn)確的交通預(yù)測信息，指導(dǎo)出行者選擇合適的出行路線，節(jié)約出行者的旅行時間，達(dá)到緩解道路擁堵、減少環(huán)境污染、節(jié)約能源等目的。 本文基于短時交通流的基本理論，針對某斷面上的短時交通流量，，依次使用移動平均模型、神經(jīng)網(wǎng)絡(luò)模型和組合模型進(jìn)行了預(yù)測研究并運(yùn)用幾種評價指標(biāo)對比分析了各種模型的預(yù)測效果，說明了線性模型的可行性，而且驗證了組合模型在短時交通流預(yù)測中的優(yōu)勢。本文主要的研究工作如下： （1）概括介紹本文的研究背景和意義，并進(jìn)行歸納總結(jié)，對交通流的特性和可預(yù)測性進(jìn)行分析； （2）介紹短時交通流的數(shù)據(jù)采集和預(yù)處理方法，并簡要介紹描述其特性的基本參數(shù)； （3）詳細(xì)介紹移動平均模型、神經(jīng)網(wǎng)絡(luò)模型和組合模型的有關(guān)知識，并建立了移動平均模型、GRNN神經(jīng)網(wǎng)絡(luò)模型和基于移動平均和GRNN的組合模型，并用實測數(shù)據(jù)進(jìn)行了驗證，得到了滿意的結(jié)果。
[Abstract]:With the development of economy and city urbanization, increasing car ownership, the number of travelers is increasing sharply, which brings enormous pressure to the already tense traffic, traffic problems have become the bottleneck of restricting the development of the national economy and the people's life, the impact of traffic congestion is the biggest problem, the intelligent transportation system is an effective means to solve the problem of traffic congestion. Intelligent traffic system (Intelligent Transport System, referred to as ITS) the comprehensive application of information technology, communication technology, electronic control technology and computer processing technology, the traffic information collected, processing and handling, to accurately reflect the real time. The current and future traffic state, realize the scientific organization and control of traffic.
Short term traffic flow prediction is the core content of ITS, the short-term traffic flow forecasting is to obtain real-time and accurate traffic information, guide travelers choose appropriate travel routes, saving travel time of travelers, to relieve traffic congestion, reduce environmental pollution, save energy.
In this paper, the basic theory of traffic flow based on traffic flow in a section, followed by the use of moving average model, neural network model and the combination model research and the use of comparative analysis of several evaluation index prediction models, to illustrate the feasibility of the linear model, and verifies the model in traffic flow the prediction of advantages. In this paper, the main research work is as follows:
(1) the background and significance of this study are summarized, and the characteristics and predictability of traffic flow are analyzed.
(2) the data collection and preprocessing methods of short time traffic flow are introduced, and the basic parameters describing the characteristics of the traffic flow are briefly introduced.
(3) introduce the related knowledge of mobile average model, neural network model and combined model in detail, and establish the moving average model, GRNN neural network model and the combined model based on mobile average and GRNN.

【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：U491.14

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐富強(qiáng);鄭婷婷;方葆青;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的函數(shù)逼近[J];巢湖學(xué)院學(xué)報;2010年06期

2 魏晉雁;茹鋒;;采用GRNN模型進(jìn)行交通量預(yù)測及實現(xiàn)研究[J];長沙交通學(xué)院學(xué)報;2006年02期

3 王正武,黃中祥;短時交通流預(yù)測模型的分析與評價[J];系統(tǒng)工程;2003年06期

4 況愛武,黃中祥;基于RBF神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J];系統(tǒng)工程;2004年02期

5 劉靜,關(guān)偉;交通流預(yù)測方法綜述[J];公路交通科技;2004年03期

6 陳相艷;周德儉;袁海英;;基于ARIMA與RBF組合模型的短時交通量預(yù)測[J];廣西工學(xué)院學(xué)報;2013年02期

7 金春玉;鄭瑞平;劉洪;李欣;;短時交通流預(yù)測研究[J];華東公路;2011年03期

8 吳耀華;;基于GM-GRNN的電力系統(tǒng)長期負(fù)荷預(yù)測[J];繼電器;2007年06期

9 張帆;城市交通網(wǎng)絡(luò)流量預(yù)測方法比較[J];科技進(jìn)步與對策;2004年11期

10 譚國真,丁浩;廣義神經(jīng)網(wǎng)絡(luò)的研究及其在交通流預(yù)測中的應(yīng)用[J];控制與決策;2002年S1期

本文編號：1400711