论文部分内容阅读
短时交通流预测是交通控制和诱导系统实现的前提,高精度的短时交通流预测对良性交通导航、城市道路使用效率的提高、交通拥堵的缓解有着重要意义,因此,智能交通控制与诱导要取得较好的实施效果,必须处理好短时交通流的预测问题。本文分析了短时交通流的多种特性,并运用其相似性和多尺度特性对短时交通流进行预测,文章的主要工作和创新成果如下：(1)研究了美国加州高速公路某单点交通流在不同时间尺度上的相似性,发现以周为时间尺度的交通流的相似性大于以日为时间尺度的交通流的相似性,然后根据相似性分别构建小波神经网络(WNN)、BP神经网络(BPN)和最小二乘支持向量机(LSSVM)模型,并分别选取相邻周和相邻天的交通流作为样本采用上述模型对这两组交通流分别进行预测,对比预测结果后发现：以周为时间尺度的交通流数据做样本的预测精度要高于后者的预测精度。(2)引入了基于集合经验模态分解(EEMD)和WNN的短时交通流组合预测模型。该模型先用EEMD分解交通流得到多尺度分量,在此基础上,运用WNN对各子序列分别进行预测,最后将各子序列的预测结果叠加得到最终结果。结果表明该模型具有很高的预测精度,明显优于EMD-BPN的组合预测。(3)引入了基于EEMD-近似熵和WNN的组合预测模型。该模型在利用EEMD分解交通流得到多尺度分量后,再用近似熵计算各子序列的复杂度并重组得到新的子序列,然后分别对各子序列运用WNN建模预测,最后将各子序列的预测结果进行叠加得到最终结果。结果表明该模型与EEMD-WNN相比降低了预测的复杂度,与LSSVM模型相比有较高的预测精度。同时,也给出了利用此模型对重大节假日的短时交通流进行预测的结果,研究结果表明采用以年为时间尺度的交通流做训练样本,可提高重大节假日短时交通流的预测精度。上述研究结果表明：结合交通流的多种特性对交通流进行预测不仅有助于进一步提高预测精度,更为缓解城市交通拥堵提供有效依据。