论文部分内容阅读
在如今国家经济水平飞速提升的时代,人们的物质生活水平也逐渐提高。在交通出行方面,人们上班、旅游更倾向于自驾出行,同时车辆的购买量和使用频率也随之增加,这就容易造成交通拥堵的负担。随着人工智能的发展,各种智能系统也随之出现。为了能够减缓交通压力,智能交通系统便被相关部门运用起来。智能交通系统不仅能够给人们带来有利于自己出行的交通信息,更能够帮助相关部门进行有效的交通诱导和控制。交通诱导和控制的主要依据是对交通流进行精准、高效和实时的短时预测。其中,短时交通流预测的精准度更是起到了决定性的作用。越来越多的学者对短时交通流预测开始了深入的研究和探讨。本文主要是针对如何提高短时交通流预测的精准度开展研究工作。为了提高短时交通流预测的精准度,本文从其预测方式和预测模型两个方面着手研究,主要研究内容为:(1)采用小波神经网络预测模型。基于交通流数据序列是具有高度非线性特征的时间序列,而小波神经网络在非线性时间序列识别和预测方面能表现出较好的效果,经研究后决定采用小波神经网络作为本文短时交通流预测模型;(2)改进短时交通流预测方式。在短时交通流预测中,预测误差具有一定的规律,为了能对预测误差进行二次提取,本文引入误差补偿方法;同时,基于在一条具有高度非线性时间序列的交通流数据中仍存在着线性相关部分,为提高预测精准度,采用小波神经网络预测交通流序列的非线性部分,引入卡尔曼滤波预测交通流序列的线性部分,以此建立起基于混合小波神经网络短时交通流预测模型。(3)对蚁群算法进行改进,优化小波神经网络预测模型。针对小波神经网络在预测时表现出对权值和小波因子敏感的缺点,引入蚁群算法进行优化。为提高蚁群算法在寻优过程中的精确度,对蚁群算法中启发函数和信息素浓度的影响进行了改进。建立起基于改进蚁群算法的小波神经网络短时交通流预测模型。本文主要创新点为结合改进的蚁群算法和混合小波神经网络预测模型,建立起一种基于改进蚁群的混合小波神经网络短时交通流预测模型。以此为基础,对从美国明尼苏达德卢斯大学交通数据研究实验室获取到的不同时间段交通流数据集进行MATLAB2016b环境下的仿真实验。通过运用四种预测模型——基于小波神经网络、基于混合小波神经网络、基于改进蚁群算法的小波神经网络和基于改进蚁群的混合小波神经网络进行短时交通流预测仿真实验。实验分析表明,基于改进蚁群的混合小波神经网络短时交通流预测比最初的预测方式在预测精准度和拟合度方面均有所提升,其中精准度的提升体现在预测偏差的减小,拟合度的提升体现在其数值从0.97204提高到0.98676。由于预测复杂度的加大,使预测所消耗的时间也略微增加,但仍然满足短时交通流预测的实时性。从整体结果来看,本文基于改进蚁群的混合小波神经网络短时交通流预测在预测效果上具有更好的优势。