论文部分内容阅读
近年来随着交通技术的进步,交通设施不断得到改善,智能交通系统(ITs,Intelligent Transport System)的应用也越来越广泛。智能交通系统中的交通诱导子系统是出行和运输管理系统的主要内容,准确的短时交通流预测对于合理诱导和控制交通、减少交通拥挤等具有重要作用。目前,交通流预测模型存在着运算复杂、运算时间长、需要大量历史数据、精度不高等缺点。
本文研究的目的在于建立一个能够克服上述缺点的交通流预测模型。灰色预测模型GM(1,1)最大的特点就是算法简单、运算时间短、可利用较少的数据建模,这给建模和运算带来了方便。但是,灰色预测模型所存在的背景值误差和对于随机波动性系统来说预测效果不是很理想,而且预测准确率会随着时间的外推而逐渐降低。因此,本文在对现有灰色预测模型进行研究的基础上,提出不同交通量原始数据情况下的灰色交通流预测模型,并通过实验验证了模型的有效性。
本论文的主要研究成果如下:
1、针对GM(1,1)模型背景值存在的缺陷,在分析背景值误差产生因为的基础上,提出了一个新的背景值计算方法:即用非齐次指数函数模拟一次累加生成序列,根据原序列与一次累加生成序列的关系重构背景值计算公式,得到实际曲线在区间上的面积作为背景值。
2、针对随机振荡序列不能满足GM(1,1)模型建模条件的情况,提出先对原始序列进行一次累加生成一个单调递增序列,再利用变权弱化缓冲算子对生成的序列做弱化缓冲变换,用最终得到的序列进行GM(1,1)模型建模预测。
3、针对短时交通流数据呈S形变化时,GM(1,1)不能获得很好的预测效果,本文提出在交通流数据呈现S形变化时,利用灰色Verhulst预测模型进行模拟预测,通过理论分析了该模型的可行性,利用交通流数据验证表明:与GM(1,1)预测模型相比,Verhulst预测模型在交通流呈现S型变化时具有更好的预测效果。
4、在灰色理论研究的基础上,结合深圳市智能交通系统的发展及道路交通管理现状需求,应用J2EE架构中的三大开源框架SSH技术,设计开发了“预测系统原型”的一个系统。