论文部分内容阅读
交通是现代生活中必不可少的一部分,也是国家经济发展的重要基础。然而国民经济的迅猛发展也带来了严峻的交通拥堵问题。为了缓解交通拥堵,我们大力研究有关交通流预测的方法,以获得实时准确的预测数据,为人们的出行决策,路线规划等提供指导性建议,从而疏通道路车辆,减轻交通压力。本文的研究对象是交通流数据,研究目的是为了获取更加精确的交通流预测结果,本文的主要研究工作如下:(1)本文首先介绍了交通流基本概念,主要有交通流基本参数、基本特性、预测流程以及预测评价指标。接着介绍了交通流预处理的步骤,其中重点阐述了小波软阈值去噪方法,仿真结果表明该方法在交通流数据处理过程中具有良好的去噪性能。(2)本文研究并提出了一种基于小波神经网络(WNN)与差分自回归滑动平均(ARIMA)组合模型的交通流预测方法。首先介绍了具有良好非线性拟合能力的WNN算法以及基于WNN的交通流预测模型,然后介绍了具有良好线性逼近能力的ARIMA算法以及基于ARIMA的交通流预测模型。针对交通流数据同时包含了非线性规律与线性规律,提出了一种WNN与ARIMA组合模型算法,并提出了基于WNN与ARIMA组合模型的交通流预测模型。仿真结果表明该组合模型对交通流的预测精度比两个单独模型更高。(3)本文研究并提出了一种基于蚁群算法优化的Elman神经网络模型的交通流预测方法。首先介绍了具有一定记忆能力的Elman神经网络算法以及基于Elman神经网络的交通流预测模型,然后介绍了具有全局寻优能力的蚁群算法。针对Elman神经网络权值随机初始化容易导致局部最优解的缺点,提出了一种蚁群算法优化Elman神经网络的算法,并提出了基于蚁群算法优化的Elman神经网络的交通流预测模型。仿真结果表明基于蚁群算法优化的Elman神经网络模型对交通流的预测精度比Elman神经网络模型更高。(4)本文研究并提出了一种基于个性因子和长短期记忆网络(LSTM)的交通流预测算法。首先详细介绍了基于循环神经网络的LSTM的结构与算法。然后以桩号作为个性因子,并结合历史交通流数据作为LSTM模型的训练样本,提出了一种基于个性因子和LSTM的交通流预测算法。仿真结果表明基于个性因子和LSTM的交通流预测算法可以取得不错的预测效果。