【摘要】：交通流量長(zhǎng)時(shí)預(yù)測(cè)在城市道路規(guī)劃和交通政策制定中具有十分重要的作用。但交通流量受到氣候、經(jīng)濟(jì)、出行等多種因素的影響,其變化是一個(gè)隨機(jī)非平穩(wěn)的過(guò)程,表現(xiàn)出隨機(jī)性、波動(dòng)性以及非嚴(yán)格的周期性。這導(dǎo)致了交通流量長(zhǎng)時(shí)預(yù)測(cè)的難度較大。本文在分析了城市道路交通流量的變化特性之后,引入了馬爾可夫鏈方法,并以馬爾可夫鏈為基礎(chǔ)構(gòu)建了多種組合模型來(lái)進(jìn)行交通流量的長(zhǎng)時(shí)預(yù)測(cè)。本文的主要研究工作如下:首先,本文通過(guò)對(duì)實(shí)際的交通流量數(shù)據(jù)的分析,總結(jié)了交通流量的三大特點(diǎn):隨機(jī)性、波動(dòng)性以及非嚴(yán)格的周期性。其中,隨機(jī)性是引入馬爾可夫鏈進(jìn)行交通流量預(yù)測(cè)的前提,波動(dòng)性則為引入?yún)^(qū)間預(yù)測(cè)的思想提供了契機(jī),而非嚴(yán)格的周期性為長(zhǎng)時(shí)交通流量的預(yù)測(cè)提供了可能。接著,由于真實(shí)的交通流量數(shù)據(jù)存在丟失數(shù)據(jù)以及噪聲數(shù)據(jù),本文則介紹并使用了相應(yīng)的數(shù)據(jù)補(bǔ)償算法以及濾波算法對(duì)其進(jìn)行處理。其次,本文構(gòu)建了三種基于馬爾可夫鏈的交通流量組合預(yù)測(cè)模型:均值馬爾可夫鏈,聚類馬爾可夫鏈以及聚類加權(quán)馬爾可夫鏈。其中,基于均值馬爾可夫鏈的組合預(yù)測(cè)模型通過(guò)均值法來(lái)構(gòu)建交通流量的狀態(tài),依據(jù)交通流量數(shù)據(jù)的狀態(tài)轉(zhuǎn)移規(guī)律實(shí)現(xiàn)了對(duì)未來(lái)24小時(shí)交通流量的預(yù)測(cè),并預(yù)測(cè)出一條交通流量變化曲線。但考慮到交通流量具有一定的波動(dòng)性,本文提出了區(qū)間預(yù)測(cè)的思想,利用聚類算法重構(gòu)交通流量的狀態(tài),并通過(guò)聚類馬爾可夫鏈組合模型預(yù)測(cè)出了一個(gè)由一條上曲線和一條下曲線包圍而成的區(qū)域,該區(qū)域很好地反映了交通流量可能的波動(dòng)范圍。而為改進(jìn)由聚類馬爾可夫鏈預(yù)測(cè)得到的區(qū)域波動(dòng)范圍過(guò)大的問(wèn)題,本文又引入加權(quán)的思想來(lái)重構(gòu)交通流量預(yù)測(cè)模塊,并通過(guò)聚類加權(quán)馬爾可夫鏈組合模型預(yù)測(cè)出了一個(gè)平均區(qū)間長(zhǎng)度較短的區(qū)域。最后,本文利用來(lái)自深圳的實(shí)測(cè)交通信息數(shù)據(jù)對(duì)上述三種組合模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)分析,評(píng)價(jià)結(jié)果表明了基于聚類加權(quán)馬爾可夫鏈的組合模型的預(yù)測(cè)效果較好。同時(shí),相較于檢索到的其他交通流量長(zhǎng)時(shí)預(yù)測(cè)方法,本方法預(yù)測(cè)精度較高,并能夠給出交通流量可能的波動(dòng)范圍。
[Abstract]:Long-time forecasting of traffic flow plays an important role in urban road planning and traffic policy making. However, traffic flow is affected by climate, economy, travel and other factors. The change of traffic flow is a random and non-stationary process, showing randomness, volatility and non-strict periodicity. This leads to the difficulty of long-term traffic flow forecasting. After analyzing the changing characteristics of urban road traffic flow, this paper introduces the Markov chain method, and constructs a variety of combined models to carry out long-term traffic flow prediction based on Markov chain. The main work of this paper is as follows: firstly, through the analysis of the actual traffic flow data, this paper summarizes the three characteristics of traffic flow: randomness, volatility and non-strict periodicity. Among them, randomness is the premise of introducing Markov chain to forecast traffic flow, and volatility provides an opportunity to introduce the idea of interval forecasting, rather than strict periodicity, it is possible to forecast long-term traffic flow. Then, because the real traffic flow data have lost data and noise data, this paper introduces and uses the corresponding data compensation algorithm and filtering algorithm to deal with it. Secondly, three traffic flow combination forecasting models based on Markov chain are constructed: mean Markov chain, clustering Markov chain and clustering weighted Markov chain. Among them, the combined forecasting model based on mean Markov chain constructs the state of traffic flow by means of mean method, and realizes the prediction of traffic flow in the next 24 hours according to the law of state transfer of traffic flow data. A curve of traffic flow is predicted. However, considering the volatility of traffic flow, this paper puts forward the idea of interval prediction and reconstructs the state of traffic flow by clustering algorithm. A region surrounded by an upper curve and a lower curve is predicted by the clustering Markov chain combination model, which can well reflect the possible fluctuation range of traffic flow. In order to improve the problem that the range of regional fluctuation obtained by clustering Markov chain prediction is too large, this paper introduces the weighted idea to reconstruct the traffic flow forecasting module. A region with short average interval length is predicted by clustering weighted Markov chain combination model. Finally, the prediction results of the above three combined models are evaluated and analyzed by using the measured traffic information data from Shenzhen. The evaluation results show that the combined model based on clustering weighted Markov chain has a good prediction effect. At the same time, compared with other long time prediction methods, this method has higher prediction accuracy and can give the possible fluctuation range of traffic flow.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O211.62;U491.1

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡繼華;李國(guó)源;程智鋒;;基于馬爾科夫鏈的公交站間行程時(shí)間預(yù)測(cè)算法[J];交通信息與安全;2014年02期

2 顧瑩;夏樂(lè)天;;加權(quán)馬爾可夫鏈在房?jī)r(jià)預(yù)測(cè)中的應(yīng)用[J];重慶理工大學(xué)學(xué)報(bào)(自然科學(xué));2013年08期

3 李松;劉力軍;解永樂(lè);;遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流混沌預(yù)測(cè)[J];控制與決策;2011年10期

4 張培林;趙弘堯;;基于混沌理論的高速公路網(wǎng)短時(shí)交通流量預(yù)測(cè)研究[J];公路工程;2011年04期

5 崔艷;程躍華;;小波支持向量機(jī)在交通流量預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)仿真;2011年07期

6 郭敏;藍(lán)金輝;肖翔;盧海鋒;;基于混沌理論對(duì)北京二環(huán)路進(jìn)行短時(shí)交通流量預(yù)測(cè)的研究[J];交通運(yùn)輸系統(tǒng)工程與信息;2010年02期

7 董春嬌;邵春福;熊志華;李娟;;基于Elman神經(jīng)網(wǎng)絡(luò)的道路網(wǎng)短時(shí)交通流預(yù)測(cè)方法[J];交通運(yùn)輸系統(tǒng)工程與信息;2010年01期

8 譚滿春;李英俊;徐建閩;;基于小波消噪的ARIMA與SVM組合交通流預(yù)測(cè)[J];公路交通科技;2009年07期

9 孫占全;潘景山;張贊軍;張立東;丁青艷;;基于主成分分析與支持向量機(jī)結(jié)合的交通流預(yù)測(cè)[J];公路交通科技;2009年05期

10 薛潔妮;史忠科;;基于混沌時(shí)間序列分析法的短時(shí)交通流預(yù)測(cè)研究[J];交通運(yùn)輸系統(tǒng)工程與信息;2008年05期

相關(guān)博士學(xué)位論文 前9條

1 曾鸚;考慮乘客選擇行為的城市公交客流分配及系統(tǒng)演化[D];西南交通大學(xué);2014年

2 趙玲;基于馬爾可夫鏈的道路交通事故預(yù)測(cè)研究及應(yīng)用[D];長(zhǎng)安大學(xué);2013年

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

4 田玉國(guó);基于道路交通事故預(yù)防的城市道路交通管理規(guī)劃研究[D];天津大學(xué);2012年

5 王凡;基于支持向量機(jī)的交通流預(yù)測(cè)方法研究[D];大連理工大學(xué);2010年

6 陳琨;基于移動(dòng)源數(shù)據(jù)的城市路網(wǎng)行程時(shí)間可靠性評(píng)價(jià)模型與算法[D];北京交通大學(xué);2008年

7 殷禮勝;交通流量時(shí)間序列混沌特性分析及預(yù)測(cè)研究[D];重慶大學(xué);2007年

8 夏樂(lè)天;馬爾可夫鏈預(yù)測(cè)方法及其在水文序列中的應(yīng)用研究[D];河海大學(xué);2005年

9 李存軍;基于集成神經(jīng)網(wǎng)絡(luò)的城市道路交通流量融合預(yù)測(cè)研究[D];西南交通大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 張佳寧;基于神經(jīng)網(wǎng)絡(luò)的城市交通流量預(yù)測(cè)模型研究[D];廣東工業(yè)大學(xué);2016年

2 于亞男;基于神經(jīng)網(wǎng)絡(luò)模型的短時(shí)交通流預(yù)測(cè)及應(yīng)用研究[D];太原理工大學(xué);2015年

3 劉國(guó)華;基于Kmeans算法的學(xué)生行為分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];河北科技大學(xué);2014年

4 張永晶;初始聚類中心優(yōu)化的K-means改進(jìn)算法[D];東北師范大學(xué);2013年

5 葉慶添;基于數(shù)據(jù)挖掘技術(shù)的短時(shí)交通流預(yù)測(cè)的研究與應(yīng)用[D];西安電子科技大學(xué);2013年

6 范騰騰;城市道路交通流量短時(shí)預(yù)測(cè)研究[D];北京交通大學(xué);2012年

7 石曼曼;基于卡爾曼濾波的短時(shí)交通流預(yù)測(cè)方法研究[D];西南交通大學(xué);2012年

8 伍靈杰;數(shù)據(jù)采集系統(tǒng)中數(shù)字濾波算法的研究[D];北京林業(yè)大學(xué);2010年

9 劉麗娜;城市道路交通流量短時(shí)預(yù)測(cè)的研究[D];北京郵電大學(xué);2010年

10 彭志行;馬爾可夫鏈理論及其在經(jīng)濟(jì)管理領(lǐng)域的應(yīng)用研究[D];河海大學(xué);2006年

，

本文編號(hào)：2380073