【摘要】：城市交通系統(tǒng)擔(dān)負(fù)著運(yùn)輸城市中人流物流的責(zé)任,是一個(gè)城市的血脈,其運(yùn)行效率直接影響著整個(gè)城市。近年來,隨著社會經(jīng)濟(jì)的發(fā)展和城鎮(zhèn)化的不斷深入,城市人口和機(jī)動車保有量迅速增長,雖然城市交通系統(tǒng)在基礎(chǔ)設(shè)施方面不斷建設(shè)和完善,但還是遠(yuǎn)遠(yuǎn)趕不上城市對于交通資源的需求。隨之產(chǎn)生的交通擁堵問題、交通污染問題給城市企業(yè)和居民的日常生產(chǎn)生活帶來了極大的不便,造成大量社會資源浪費(fèi)。ITS(Intelligent Transport System)智能交通系統(tǒng)是21世紀(jì)的一種綜合交通管理系統(tǒng)。其依靠對道路中行駛車輛運(yùn)行狀態(tài)的監(jiān)控、控制、誘導(dǎo),優(yōu)化交通流在城市路網(wǎng)中的合理分布,提高城市路網(wǎng)的使用效率,從面上提高整個(gè)城市的交通系統(tǒng)運(yùn)輸效率。智能交通系統(tǒng)的兩個(gè)重要組成部分即交通誘導(dǎo)和交通控制。而交通流誘導(dǎo)和控制的前提,是對城市路網(wǎng)交通做到合理的預(yù)測。本文的主要工作是,設(shè)計(jì)一種交通流預(yù)測組合模型,提高交通流預(yù)測精度。文章在對城市交通流特性分析的基礎(chǔ)上,提出一種滿足城市交通流線性、非線性、突發(fā)性的交通流組合預(yù)測模型。模型的基本思路是,先對交通流數(shù)據(jù)采用單模型進(jìn)行預(yù)測,其中以ARIMA模型體現(xiàn)交通數(shù)據(jù)的線性,神經(jīng)網(wǎng)絡(luò)部分體現(xiàn)交通數(shù)據(jù)的非線性,K鄰近非參數(shù)回歸模型體現(xiàn)突發(fā)性,再運(yùn)用神經(jīng)網(wǎng)絡(luò)擬合預(yù)測單模型的預(yù)測結(jié)果。在上述研究的基礎(chǔ)上,運(yùn)用組合模型重點(diǎn)研究了不同時(shí)間間隔的交通流預(yù)測和不同時(shí)段的交通流預(yù)測兩部分內(nèi)容。使模型在不同預(yù)測需求條件下都能準(zhǔn)確預(yù)測,增強(qiáng)模型的適用性。運(yùn)用IBM SPSS Modeler軟件進(jìn)行建模,對明尼蘇達(dá)大學(xué)德盧斯分校的交通數(shù)據(jù)研究實(shí)驗(yàn)室提供的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析預(yù)測,最終得到了組合模型能取得優(yōu)于一般單項(xiàng)模型精度的結(jié)果。
[Abstract]:Urban transportation system bears the responsibility of people flow and logistics in transportation city, and it is the blood of a city, and its running efficiency directly affects the whole city. In recent years, with the development of social economy and the deepening of urbanization, the number of urban population and motor vehicle has increased rapidly, although the urban transportation system has been continuously built and improved in terms of infrastructure. But it still falls far short of the city's demand for transportation resources. The traffic congestion problem and the traffic pollution problem have brought great inconvenience to the daily production and life of urban enterprises and residents. . ITS (Intelligent Transport System) Intelligent Transportation system is a comprehensive traffic management system in the 21st century. It depends on monitoring, controlling, inducing and optimizing the distribution of traffic flow in the urban road network, improving the efficiency of the urban network and improving the transportation efficiency of the whole urban transportation system. Traffic guidance and traffic control are two important components of Intelligent Transportation system (its). The premise of traffic flow guidance and control is to make a reasonable prediction of urban road network traffic. The main work of this paper is to design a combined traffic flow forecasting model to improve the accuracy of traffic flow prediction. Based on the analysis of the characteristics of urban traffic flow, this paper presents a combined forecasting model of urban traffic flow, which satisfies the urban traffic streamline, nonlinearity and paroxysmal. The basic idea of the model is that the traffic flow data is first predicted by a single model, in which the ARIMA model is used to represent the linear traffic data, the neural network partly reflects the nonlinear traffic data, and the K-neighborhood nonparametric regression model reflects the paroxysmal. The prediction results of single model are fitted with neural network. On the basis of the above research, the combined model is used to study the traffic flow forecasting at different time intervals and the traffic flow prediction at different time intervals. The model can be accurately predicted under different forecasting demand conditions, and the applicability of the model can be enhanced. The IBM SPSS Modeler software is used to model the experimental data provided by the Traffic data Research Laboratory of the University of Minnesota at Duluth. The results show that the combined model can achieve better accuracy than the general single model.
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：U491.112

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 史其信,鄭為中;道路網(wǎng)短期交通流預(yù)測方法比較[J];交通運(yùn)輸工程學(xué)報(bào);2004年04期

2 王進(jìn),史其信;神經(jīng)網(wǎng)絡(luò)模型在短期交通流預(yù)測領(lǐng)域應(yīng)用綜述[J];河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年02期

3 向紅艷;朱順應(yīng);王紅;嚴(yán)新平;;短期交通流預(yù)測效果的模糊綜合評判[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2005年06期

4 王曉原;吳磊;張開旺;張敬磊;;非參數(shù)小波算法的交通流預(yù)測方法[J];系統(tǒng)工程;2005年10期

5 向紅艷;肖盛燮;;模糊數(shù)學(xué)方法在交通流預(yù)測評價(jià)中的應(yīng)用[J];重慶交通學(xué)院學(xué)報(bào);2006年04期

6 王進(jìn);史其信;;基于非線性理論的短期交通流預(yù)測研究[J];西安建筑科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

7 黃洪瓊;湯天浩;;基于最優(yōu)梯度自適應(yīng)優(yōu)化算法的交通流預(yù)測[J];計(jì)算機(jī)工程;2007年07期

8 喬德華;張開禾;范耀祖;;多模型交通流預(yù)測優(yōu)化[J];交通標(biāo)準(zhǔn)化;2007年04期

9 李冬;;關(guān)于交通流預(yù)測各種模型的探討[J];今日科苑;2007年16期

10 馬海波;何超;徐鵬;;交通流預(yù)測網(wǎng)格自適應(yīng)負(fù)載平衡研究[J];科學(xué)技術(shù)與工程;2008年15期

相關(guān)會議論文 前5條

1 姜敏華;張曉東;;穩(wěn)定轉(zhuǎn)彎比例下的交通流預(yù)測[A];2007第三屆中國智能交通年會論文集[C];2007年

2 閆偉;劉云崗;王桂華;;數(shù)據(jù)挖掘在交通流預(yù)測模型中的研究與應(yīng)用[A];2008第四屆中國智能交通年會論文集[C];2008年

3 陳岳明;蕭德云;;擁堵條件下的路網(wǎng)交通流預(yù)測[A];2008’“先進(jìn)集成技術(shù)”院士論壇暨第二屆儀表、自動化與先進(jìn)集成技術(shù)大會論文集[C];2008年

4 田夫;李勇;孫占全;;短時(shí)交通流預(yù)測方法研究[A];2007第三屆中國智能交通年會論文集[C];2007年

5 王勝;萬健如;楊岳楓;韓雙;;基于蒙特卡羅法電梯交通流預(yù)測[A];天津市電機(jī)工程學(xué)會2012年學(xué)術(shù)年會論文集[C];2012年

相關(guān)博士學(xué)位論文 前1條

1 楊飛;基于回聲狀態(tài)網(wǎng)絡(luò)的交通流預(yù)測模型及其相關(guān)研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 田珠;大規(guī)模路網(wǎng)實(shí)時(shí)交通流預(yù)測模型及應(yīng)用研究[D];大連理工大學(xué);2008年

2 李青;城市交通流預(yù)測關(guān)鍵技術(shù)研究[D];西南科技大學(xué);2015年

3 鄒中翔;基于組合預(yù)測模型的交通流預(yù)測研究[D];蘭州交通大學(xué);2015年

4 王渭巍;公路交通流預(yù)測中“機(jī)理＋辨識”策略的若干基本問題[D];天津大學(xué);2007年

5 蔡巖;基于灰色預(yù)測模型的短期交通流預(yù)測研究[D];西南交通大學(xué);2009年

6 方宇;小波支持向量機(jī)在交通流預(yù)測中的應(yīng)用研究[D];大連理工大學(xué);2010年

7 徐玉霞;大規(guī)模路網(wǎng)動態(tài)交通流預(yù)測模型和算法研究[D];大連理工大學(xué);2006年

8 劉秋平;神經(jīng)網(wǎng)絡(luò)在短期交通流預(yù)測中的應(yīng)用研究[D];長安大學(xué);2011年

9 彭?xiàng)潡?基于短—長期模型組合的交通流預(yù)測方法[D];山東理工大學(xué);2012年

10 郁嬌嬌;云模型的交通流預(yù)測在智能旅游系統(tǒng)中的應(yīng)用[D];電子科技大學(xué);2013年

，

本文編號：2345460