论文部分内容阅读
随着社会经济的迅猛发展,城市化进程加快,我国交通拥堵现状口益严重,解决交通拥堵问题已成为当前迫切而重大的任务。智能交通系统被认为是缓解城市交通拥堵、减少交通事故和降低汽车尾气排放污染等交通问题的有效方法之一。而短时交通流预测是智能交通系统对道路进行控制和诱导的关键技术。因此,如何实时、准确的预测短时交通流是当前研究的重点和难点问题。本文以短时交通流为背景,以灰生成技术为研究对象,提出分数阶累加生成方法,将原有的r-AGO技术从整数域推广到实数域上。同时,给出相应的GM(r’(1,1)模型及其求解过程。并对于该技术的特殊形式一阶累加生成方法,提出一个组合模型和优化模型。将三个模型用于短时交通流预测中,从而为城市道路短时交通流做出较为准确的预测,及时地获取交通信息,给出行者提供实时准确的道路信息。为此,本文主要作了以下内容：(1)对短时交通流的特性进行分析,说明短时交通流量预测的建模要求；并简要说明GM(1,1)模型的原理,基于该模型对短时交通流进行实证分析。(2)提出基于一阶累加生成技术的短时交通流预测模型。考虑到交通流数据含不同频率的信号成分,提出基于小波分析的GM(1,1)和ARMA(p,q)组合预测模型；其主要思想是通过小波函数对原始数据进行分解与重构,得到低频部分和高频部分,然后分别用GM(1,1)和ARMA(p,q)进行预测。另外,考虑到交通流数据随时间变化而变化,提出基于灰色作用量优化的GM(1,1lsin)动态预测模型；其主要思想是考虑外界的干扰因素,将灰色作用量b视为随时间改变的动态变量,用b1sin pk+b2代替灰色作用量b建立动态模型。(3)为体现数据的优先原则,完善累加生成技术,提出基于分数阶累加生成技术的短时交通流预测模型。首先,给出分数阶累加生成方法,建立GM(r)(1,1)模型,并讨论GM(r)(1,1)模型的几项特殊形式。然后,考察GM(r)(1,1)模型性质,研究累加生成序列的平移变换和原始数据矩阵变化及数乘变换对模型参数的影响,并得到变换前后各参数的数量关系。最后,为减少运算量,给出GM(r)(1,1)模型的参数辨识,得到各参数的界区和模型发展系数α的适用范围。