论文部分内容阅读
城市道路交通状况越来越拥挤，交通问题几乎成为了所有大、中型城市面临的共同问题。交叉路口是城市交通网络中重要的节点，对路口短时流量的准确预测可以辅助改善路口混乱的交通状况，缓解城市交通拥挤，优化城市路网运行，同时对智能交通领域的研究、应用、实施和促进城市交通健康、和谐、稳定地发展具有重要意义。
本文根据交通流数据的特点，基于交通领域著名的交通流量／时间占有率倒“V”字形曲线分布模型、交通流量数据分布的时间及大小特点和相关路口或方向的流量间相互影响的大小提出了基于数据挖掘过程的短时路口交通流量预测方法。主要工作成果为：
11根据交通流量数据分布的特征，提出基于k-means的二次聚类方法，对交通流量在流量大小和时间上进行模式划分，进而对各个交通流模式进行基于BP神经网络的描述和预测，从而提高模型对流量预测的精度；
2)根据流量／时间占有率倒“V”字形曲线分布模型，提出基于最小二乘法的三次多项式曲线拟合和统计方法的异常检测方法，实际应用表明该方法能够有效识别异常数据，然后根据移动平均算法对异常数据进行修正；
3)基于序列相关性分析，分别对预测方向的交通流量数据序列、上游路口相关序列以及预测路口其它各个方向上的交通流量序列进行分析，选择相似性流量序列，作为辅助序列提供其他没有检测器路口的流量估计；
4)设计和实现了基于SOA(Service-OrientedAchitecture)的高性能、可扩展的智能交通数据挖掘系统UTDD，该系统通过定义基于XML的数据挖掘过程描述和通用的过程模型接口，实现数据挖掘应用的统一管理和调用，最后在UTDD上建立了基于路口流量预测的应用模型。