论文部分内容阅读
智能交通系统(Intelligent Transportation Systems)作为当前解决交通相关问题、提升用户体验的相关领域,已经吸引了越来越多的关注。其通过预测未来交通状况的变化,针对可能出现的交通问题提出适当的解决方案和预防措施,以提高用户的安全系数和舒适度。其中,交通流作为分析交通状况的核心参数,更是研究工作中的重中之重。纵观近三十年来的相关研究工作,通过应用智能算法缩短对交通流变化的反应时间以及提升对变化量的预测精度,能极大地促进交通系统的智能化发展。但由于实际中交通流的变化受到大量因素的影响,如天气情况、空气质量,甚至出行用户心情等因素,导致短时期内的交通流呈现极强的随机变化特性,限制了当前短期交通流预测模型的精准度。若能通过研究交通流数据的变化特性,对预测模型做出适应性地调整,将有助于提高现有模型的预测精度,降低交通状况变化给模型带来的负面影响。因此,本文研究工作主要包括以下两个方面:首先,本文通过数据预处理工作调整预测模型的输入信息,以提高交通流短期预测模型的精度。短期交通流预测是基于交通流的历史数据变化特征,预测当前或者未来某一时段内的交通流量,以协作智能交通系统中的相关应用。其预测模型主要分为线性模型,如历史平均模型、ARIMA和SARIMA等,以及非线性模型,如神经网络,支持向量回归机和贝叶斯网络等。预测模型以历史交通流数据为样本进行训练,最终获取可用于捕捉对应交通流变化趋势的数据驱动模型。值得一提的是,原始交通流数据除了可作为训练预测模型的样本材料,其包含的数据特征亦可以用于指导数据预测模型的改进,提高模型预测精度。本文通过探索交通流数据中的平稳特性和交通流数据样本间的自相关特性,提出了一种交通流数据预处理架构,用于对预测模型的输入信息进行特征提取与特征选择,提升数据样本质量,以提高短期交通流预测模型的精准度。其次,本文通过多模型混合方法构建混合预测模型,降低交通流预测模型的泛化误差。受到环境、天气和人类行为等大量因素的影响,交通流数据具有多样的数据特性,以至于单一的预测模型通常无法精确地捕捉交通流的变化趋势。其具体现象表现为特定交通状况下训练得到的预测模型,随着交通状况的转变,其预测性能通常会有所下降,上述现象极大的限制了单一预测模型的使用范围。本文提出一种基于贝叶斯决策定理的多模型混合方法,构建混合预测模型,通过提升模型对交通状况变化的适应能力,以降低预测模型的泛化误差。本文将利用上述方法分别对SARIMA、支持向量回归机以及神经网络三种目前主流的短期交通流预测模型进行改进。并基于真实场景下采集的地铁站乘客进站数据对这三种模型及其改进模型进计算机仿真,以验证上述方法有效性。仿真结果表明三种预测模型的改进模型相比原始模型都具有更低的预测误差,特别地,在所有仿真模型中,基于SARIMA模型构建的混合预测模型在大多数交通状况下能够取得更加精准的预测结果。