在如今國家經(jīng)濟(jì)水平飛速提升的時(shí)代,人們的物質(zhì)生活水平也逐漸提高。在交通出行方面,人們上班、旅游更傾向于自駕出行,同時(shí)車輛的購買量和使用頻率也隨之增加,這就容易造成交通擁堵的負(fù)擔(dān)。隨著人工智能的發(fā)展,各種智能系統(tǒng)也隨之出現(xiàn)。為了能夠減緩交通壓力,智能交通系統(tǒng)便被相關(guān)部門運(yùn)用起來。智能交通系統(tǒng)不僅能夠給人們帶來有利于自己出行的交通信息,更能夠幫助相關(guān)部門進(jìn)行有效的交通誘導(dǎo)和控制。交通誘導(dǎo)和控制的主要依據(jù)是對交通流進(jìn)行精準(zhǔn)、高效和實(shí)時(shí)的短時(shí)預(yù)測。其中,短時(shí)交通流預(yù)測的精準(zhǔn)度更是起到了決定性的作用。越來越多的學(xué)者對短時(shí)交通流預(yù)測開始了深入的研究和探討。本文主要是針對如何提高短時(shí)交通流預(yù)測的精準(zhǔn)度開展研究工作。為了提高短時(shí)交通流預(yù)測的精準(zhǔn)度,本文從其預(yù)測方式和預(yù)測模型兩個(gè)方面著手研究,主要研究內(nèi)容為:(1)采用小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型。基于交通流數(shù)據(jù)序列是具有高度非線性特征的時(shí)間序列,而小波神經(jīng)網(wǎng)絡(luò)在非線性時(shí)間序列識別和預(yù)測方面能表現(xiàn)出較好的效果,經(jīng)研究后決定采用小波神經(jīng)網(wǎng)絡(luò)作為本文短時(shí)交通流預(yù)測模型;(2)改進(jìn)短時(shí)交通流預(yù)測方式。在短時(shí)交通流預(yù)測中,預(yù)測誤差具有一定的規(guī)律,為了能對預(yù)測誤差進(jìn)行二次提取,本文引入誤差補(bǔ)償方法;同時(shí),基于在一條具有高度非線性時(shí)間序列的交通流數(shù)據(jù)中仍存在著線性相關(guān)部分,為提高預(yù)測精準(zhǔn)度,采用小波神經(jīng)網(wǎng)絡(luò)預(yù)測交通流序列的非線性部分,引入卡爾曼濾波預(yù)測交通流序列的線性部分,以此建立起基于混合小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測模型。(3)對蟻群算法進(jìn)行改進(jìn),優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型。針對小波神經(jīng)網(wǎng)絡(luò)在預(yù)測時(shí)表現(xiàn)出對權(quán)值和小波因子敏感的缺點(diǎn),引入蟻群算法進(jìn)行優(yōu)化。為提高蟻群算法在尋優(yōu)過程中的精確度,對蟻群算法中啟發(fā)函數(shù)和信息素濃度的影響進(jìn)行了改進(jìn)。建立起基于改進(jìn)蟻群算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測模型。本文主要?jiǎng)?chuàng)新點(diǎn)為結(jié)合改進(jìn)的蟻群算法和混合小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型,建立起一種基于改進(jìn)蟻群的混合小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測模型。以此為基礎(chǔ),對從美國明尼蘇達(dá)德盧斯大學(xué)交通數(shù)據(jù)研究實(shí)驗(yàn)室獲取到的不同時(shí)間段交通流數(shù)據(jù)集進(jìn)行MATLAB2016b環(huán)境下的仿真實(shí)驗(yàn)。通過運(yùn)用四種預(yù)測模型——基于小波神經(jīng)網(wǎng)絡(luò)、基于混合小波神經(jīng)網(wǎng)絡(luò)、基于改進(jìn)蟻群算法的小波神經(jīng)網(wǎng)絡(luò)和基于改進(jìn)蟻群的混合小波神經(jīng)網(wǎng)絡(luò)進(jìn)行短時(shí)交通流預(yù)測仿真實(shí)驗(yàn)。實(shí)驗(yàn)分析表明,基于改進(jìn)蟻群的混合小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測比最初的預(yù)測方式在預(yù)測精準(zhǔn)度和擬合度方面均有所提升,其中精準(zhǔn)度的提升體現(xiàn)在預(yù)測偏差的減小,擬合度的提升體現(xiàn)在其數(shù)值從0.97204提高到0.98676。由于預(yù)測復(fù)雜度的加大,使預(yù)測所消耗的時(shí)間也略微增加,但仍然滿足短時(shí)交通流預(yù)測的實(shí)時(shí)性。從整體結(jié)果來看,本文基于改進(jìn)蟻群的混合小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測在預(yù)測效果上具有更好的優(yōu)勢。
【學(xué)位單位】：東華理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP18;U491

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐卓函;;大數(shù)據(jù)時(shí)代人工智能的創(chuàng)新與發(fā)展研究[J];科技資訊;2015年33期

2 白林;郭科;劉斌;;快速傅里葉變換在地球化學(xué)數(shù)據(jù)降噪中的應(yīng)用[J];科學(xué)技術(shù)與工程;2015年26期

3 邱世崇;陸百川;馬慶祿;鄒巍;張勤;;基于時(shí)空特性分析和數(shù)據(jù)融合的交通流預(yù)測[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2015年02期

4 蔣士正;許榕;陳啟美;;基于變量選擇-神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜路網(wǎng)短時(shí)交通流預(yù)測[J];上海交通大學(xué)學(xué)報(bào);2015年02期

5 趙娜;袁家斌;徐晗;;智能交通系統(tǒng)綜述[J];計(jì)算機(jī)科學(xué);2014年11期

6 傅貴;韓國強(qiáng);逯峰;許子鑫;;基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測模型[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年09期

7 曹慶奎;趙斐;;基于遺傳蟻群算法的港口集卡路徑優(yōu)化[J];系統(tǒng)工程理論與實(shí)踐;2013年07期

8 韓敏;許美玲;;一種基于誤差補(bǔ)償?shù)亩嘣煦鐣r(shí)間序列混合預(yù)測模型[J];物理學(xué)報(bào);2013年12期

9 郁嬌嬌;;基于云模型的短時(shí)交通流預(yù)測[J];電子世界;2013年10期

10 張存保;萬平;梅朝輝;張培嶺;;雨天環(huán)境下高速公路交通流特性及模型研究[J];武漢理工大學(xué)學(xué)報(bào);2013年03期

本文編號：2809748