本文關(guān)鍵詞：短時(shí)交通流分析及預(yù)測(cè)，，由筆耕文化傳播整理發(fā)布。

【摘要】：短時(shí)交通流預(yù)測(cè)是交通控制和誘導(dǎo)系統(tǒng)實(shí)現(xiàn)的前提,高精度的短時(shí)交通流預(yù)測(cè)對(duì)良性交通導(dǎo)航、城市道路使用效率的提高、交通擁堵的緩解有著重要意義,因此,智能交通控制與誘導(dǎo)要取得較好的實(shí)施效果,必須處理好短時(shí)交通流的預(yù)測(cè)問題。本文分析了短時(shí)交通流的多種特性,并運(yùn)用其相似性和多尺度特性對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè),文章的主要工作和創(chuàng)新成果如下：(1)研究了美國加州高速公路某單點(diǎn)交通流在不同時(shí)間尺度上的相似性,發(fā)現(xiàn)以周為時(shí)間尺度的交通流的相似性大于以日為時(shí)間尺度的交通流的相似性,然后根據(jù)相似性分別構(gòu)建小波神經(jīng)網(wǎng)絡(luò)(WNN)、BP神經(jīng)網(wǎng)絡(luò)(BPN)和最小二乘支持向量機(jī)(LSSVM)模型,并分別選取相鄰周和相鄰天的交通流作為樣本采用上述模型對(duì)這兩組交通流分別進(jìn)行預(yù)測(cè),對(duì)比預(yù)測(cè)結(jié)果后發(fā)現(xiàn)：以周為時(shí)間尺度的交通流數(shù)據(jù)做樣本的預(yù)測(cè)精度要高于后者的預(yù)測(cè)精度。(2)引入了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和WNN的短時(shí)交通流組合預(yù)測(cè)模型。該模型先用EEMD分解交通流得到多尺度分量,在此基礎(chǔ)上,運(yùn)用WNN對(duì)各子序列分別進(jìn)行預(yù)測(cè),最后將各子序列的預(yù)測(cè)結(jié)果疊加得到最終結(jié)果。結(jié)果表明該模型具有很高的預(yù)測(cè)精度,明顯優(yōu)于EMD-BPN的組合預(yù)測(cè)。(3)引入了基于EEMD-近似熵和WNN的組合預(yù)測(cè)模型。該模型在利用EEMD分解交通流得到多尺度分量后,再用近似熵計(jì)算各子序列的復(fù)雜度并重組得到新的子序列,然后分別對(duì)各子序列運(yùn)用WNN建模預(yù)測(cè),最后將各子序列的預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終結(jié)果。結(jié)果表明該模型與EEMD-WNN相比降低了預(yù)測(cè)的復(fù)雜度,與LSSVM模型相比有較高的預(yù)測(cè)精度。同時(shí),也給出了利用此模型對(duì)重大節(jié)假日的短時(shí)交通流進(jìn)行預(yù)測(cè)的結(jié)果,研究結(jié)果表明采用以年為時(shí)間尺度的交通流做訓(xùn)練樣本,可提高重大節(jié)假日短時(shí)交通流的預(yù)測(cè)精度。上述研究結(jié)果表明：結(jié)合交通流的多種特性對(duì)交通流進(jìn)行預(yù)測(cè)不僅有助于進(jìn)一步提高預(yù)測(cè)精度,更為緩解城市交通擁堵提供有效依據(jù)。
【關(guān)鍵詞】：智能交通 短時(shí)交通流預(yù)測(cè) 相似性 多尺度特性 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U491.112
【目錄】：

• 摘要5-6
• ABSTRACT6-8
• 第一章 緒論8-15
• 1.1 研究背景及意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-12
• 1.3 本文主要工作及創(chuàng)新點(diǎn)12-13
• 1.4 本文結(jié)構(gòu)13-15
• 第二章 理論基礎(chǔ)介紹15-29
• 2.1 交通流特性分析15-17
• 2.2 交通流特性分析方法17-21
• 2.2.1 相似性判據(jù)17-18
• 2.2.2 集合經(jīng)驗(yàn)?zāi)B(tài)分解18-20
• 2.2.3 近似熵20-21
• 2.3 預(yù)測(cè)模型21-26
• 2.3.1 BP神經(jīng)網(wǎng)絡(luò)22-23
• 2.3.2 小波神經(jīng)網(wǎng)絡(luò)23-25
• 2.3.3 最小二乘支持向量機(jī)25-26
• 2.4 評(píng)價(jià)指標(biāo)26-27
• 2.5 本章小結(jié)27-29
• 第三章 基于相似性的短時(shí)交通流預(yù)測(cè)29-41
• 3.1 引言29-30
• 3.2 數(shù)據(jù)來源與處理30-31
• 3.3 小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果分析31-39
• 3.3.1 相似性判斷31-34
• 3.3.2 預(yù)測(cè)分析及評(píng)價(jià)34-39
• 3.4 本章小結(jié)39-41
• 第四章 基于EEMD和WNN的短時(shí)交通流組合預(yù)測(cè)41-49
• 4.1 引言41-42
• 4.2 數(shù)據(jù)的選取42
• 4.3 EEMD-WNN預(yù)測(cè)模型的構(gòu)建42-43
• 4.4 預(yù)測(cè)結(jié)果分析43-48
• 4.4.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解43-45
• 4.4.2 預(yù)測(cè)分析及評(píng)價(jià)45-48
• 4.5 本章小結(jié)48-49
• 第五章 基于EEMD-ApEn-WNN的短時(shí)交通流組合預(yù)測(cè)49-65
• 5.1 引言49-50
• 5.2 數(shù)據(jù)的選取50-51
• 5.3 EEMD-ApEn-WNN預(yù)測(cè)模型的構(gòu)建51-52
• 5.4 預(yù)測(cè)結(jié)果分析52-57
• 5.4.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解與近似熵計(jì)算52-53
• 5.4.2 預(yù)測(cè)結(jié)果分析53-57
• 5.5 重大節(jié)假日短時(shí)交通流預(yù)測(cè)57-63
• 5.6 本章小結(jié)63-65
• 第六章 總結(jié)與展望65-67
• 6.1 總結(jié)65-66
• 6.2 展望66-67
• 參考文獻(xiàn)67-71
• 致謝71-72
• 作者簡介72-73

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 唐明,陳寶星,柳伍生;基于相空間重構(gòu)的短時(shí)交通流分形研究[J];山東交通學(xué)院學(xué)報(bào);2004年01期

2 華冬冬,陳森發(fā);非線性短時(shí)交通流的一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[J];現(xiàn)代交通技術(shù);2004年01期

3 田晶;楊玉珍;陳陽舟;;短時(shí)交通流量兩種預(yù)測(cè)方法的研究[J];公路交通科技;2006年04期

4 蔣海峰;馬瑞軍;魏學(xué)業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識(shí)別短時(shí)交通流混沌特性的方法[J];鐵道學(xué)報(bào);2006年02期

5 蔣海峰;王鼎媛;張仲義;;短時(shí)交通流的非線性動(dòng)力學(xué)特性[J];中國公路學(xué)報(bào);2008年03期

6 李松;劉力軍;郭海玲;;短時(shí)交通流混沌預(yù)測(cè)方法的比較[J];系統(tǒng)工程;2009年09期

7 許倫輝;唐德華;鄒娜;夏新海;;基于非線性時(shí)間序列分析的短時(shí)交通流特性分析[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

8 李雁;陸海亭;張寧;;一種短時(shí)交通流異常數(shù)據(jù)識(shí)別新算法[J];公路交通科技(應(yīng)用技術(shù)版);2010年04期

9 承向軍;劉軍;馬敏書;;基于分形理論的短時(shí)交通流預(yù)測(cè)算法[J];交通運(yùn)輸系統(tǒng)工程與信息;2010年04期

10 張立;謝忠玉;陳凱;;基于混沌理論的短時(shí)交通流局域預(yù)測(cè)模型[J];黑龍江工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2011年02期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前2條

1 翁小雄;翦俊;;短時(shí)交通流頻譜分析與預(yù)測(cè)[A];第二十六屆中國控制會(huì)議論文集[C];2007年

2 張利;李星毅;施化吉;;一種基于ARIMA模型的短時(shí)交通流量改進(jìn)預(yù)測(cè)算法[A];2007第三屆中國智能交通年會(huì)論文集[C];2007年

中國重要報(bào)紙全文數(shù)據(jù)庫 前1條

1 本報(bào)記者 李嬋;交通擁堵為何預(yù)測(cè)不準(zhǔn)[N];北京科技報(bào);2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 郭歡;基于灰理論的短時(shí)交通流動(dòng)力學(xué)建模預(yù)測(cè)與優(yōu)化研究[D];武漢理工大學(xué);2013年

2 張曉利;基于非參數(shù)回歸的短時(shí)交通流量預(yù)測(cè)方法研究[D];天津大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 喻丹;基于小波理論的短時(shí)交通流預(yù)測(cè)方法研究[D];長沙理工大學(xué);2008年

2 謝生龍;城市道路短時(shí)交通流動(dòng)態(tài)預(yù)測(cè)方法研究與應(yīng)用[D];長安大學(xué);2015年

3 胡浩然;基于Hadoop平臺(tái)的短時(shí)交通流預(yù)測(cè)算法研究[D];華南理工大學(xué);2016年

4 符義琴;短時(shí)交通流分析及預(yù)測(cè)[D];南京信息工程大學(xué);2016年

5 陳功;數(shù)據(jù)挖掘技術(shù)在智慧交通中的應(yīng)用[D];電子科技大學(xué);2016年

6 卓卉;基于混沌理論的短時(shí)交通流預(yù)測(cè)方法研究[D];北京交通大學(xué);2008年

7 唐明;短時(shí)交通流特性及其預(yù)測(cè)方法的研究[D];長沙理工大學(xué);2004年

8 華冬冬;短時(shí)交通流的混沌性分析及其基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型研究[D];東南大學(xué);2005年

9 王小英;道路網(wǎng)短時(shí)交通流分析與預(yù)測(cè)[D];武漢理工大學(xué);2010年

10 劉錦娣;城市短時(shí)交通流預(yù)測(cè)模型研究[D];石家莊鐵道大學(xué);2012年

  本文關(guān)鍵詞：短時(shí)交通流分析及預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：458992