本文關(guān)鍵詞：基于混沌理論和數(shù)據(jù)融合的短時(shí)交通流預(yù)測，，由筆耕文化傳播整理發(fā)布。

【摘要】：交通擁堵問題已引起人們的廣泛關(guān)注,實(shí)時(shí)準(zhǔn)確的交通流預(yù)測是實(shí)現(xiàn)交通誘導(dǎo)與控制的重要基礎(chǔ)。然而,現(xiàn)有關(guān)于交通流預(yù)測的精度受到以下兩方面的制約:一方面,由于表征交通系統(tǒng)特性的參數(shù)較多(如速度、占有率和車流量),故基于單交通流參數(shù)的預(yù)測方法尚未能全面反映交通流的狀態(tài)演化過程;另一方面,鑒于交通系統(tǒng)具有非線性和復(fù)雜性等本質(zhì)特性,導(dǎo)致基于線性方法的交通流預(yù)測誤差難以達(dá)到期望范圍。因此,針對(duì)以上問題,研究基于混沌理論和數(shù)據(jù)融合的短時(shí)交通流預(yù)測,具有重要的理論價(jià)值和現(xiàn)實(shí)意義。本文主要圍繞基于混沌理論和數(shù)據(jù)融合的交通流預(yù)測展開研究。具體內(nèi)容包括:針對(duì)交通系統(tǒng)的混沌現(xiàn)象,提出基于最大Lyapunov指數(shù)的交通流的混沌特性分析與判定方法;據(jù)此,研究基于相空間重構(gòu)理論的多參數(shù)時(shí)間序列的相空間重構(gòu),進(jìn)而研究基于Bayesian估計(jì)理論的多參數(shù)時(shí)間序列在高維相空間中的相點(diǎn)融合問題;最后,分別應(yīng)用支持向量回歸機(jī)(Support Vector Regression,SVR)和RBF神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Networks,RBFNN)實(shí)現(xiàn)基于多源數(shù)據(jù)融合的短時(shí)交通流預(yù)測研究,并利用實(shí)測交通流數(shù)據(jù),對(duì)本文方法的有效性進(jìn)行了驗(yàn)證。論文的主要工作包括:1.基于最大Lyapunov指數(shù)的交通流的混沌特性分析與判定考慮到交通系統(tǒng)所呈現(xiàn)出的混沌特性,因此,應(yīng)用混沌動(dòng)力學(xué)中的方法研究交通流的變化成為一種可能�；诖�,為了從理論上判定交通系統(tǒng)的混沌特性,本文應(yīng)用小數(shù)據(jù)量法,計(jì)算出包括平均車速、平均占有率和平均車流量等多參數(shù)時(shí)間序列的最大Lyapunov指數(shù),以此驗(yàn)證交通流的混沌特性。仿真結(jié)果表明:本文采用的5min統(tǒng)計(jì)尺度的三組交通流參數(shù)時(shí)間序列,包括平均車速、平均占有率和平均車流量流時(shí)間序列均具有混沌特性。2.基于相空間重構(gòu)理論的多參數(shù)時(shí)間序列的相空間重構(gòu)鑒于1中交通流存在的混沌特性,而相空間重構(gòu)技術(shù)能夠從高維相空間中重構(gòu)混沌系統(tǒng)的奇怪吸引子,即交通流參數(shù)時(shí)間序列在高維相空間中的演變最終會(huì)趨于某一特定的軌跡。因此,首先研究相空間重構(gòu)參數(shù)的選取,包括延遲時(shí)間τ和嵌入維數(shù)m�？紤]這兩個(gè)參數(shù)之間的關(guān)聯(lián)關(guān)系,本文采用C-C算法和G-P算法分別計(jì)算交通流參數(shù)時(shí)間序列的延遲時(shí)間τ和嵌入維數(shù)m。同時(shí),基于相空間重構(gòu)理論,研究交通流的多參數(shù)時(shí)間序列的相空間重構(gòu)。仿真結(jié)果表明:系統(tǒng)中多個(gè)不同的參數(shù)時(shí)間序列的混沌吸引子在高維相空間中存在相似性。同時(shí),系統(tǒng)中各參數(shù)時(shí)間序列的混沌吸引子也擁有各自獨(dú)特的特征。3.基于Bayesian估計(jì)理論的多參數(shù)時(shí)間序列在高維相空間中的相點(diǎn)融合基于Takens延遲嵌入定理,理論上,單個(gè)參數(shù)時(shí)間序列也能反向重構(gòu)出原系統(tǒng)的相空間結(jié)構(gòu),基于1中同一系統(tǒng)的不同參數(shù)時(shí)間序列在高維相空間中的混沌吸引子擁有各自獨(dú)特的特征,同時(shí)多參數(shù)時(shí)間序列比單參數(shù)時(shí)間序列包含更多原動(dòng)力系統(tǒng)的信息。因此,基于Bayesian估計(jì)理論的多參數(shù)時(shí)間序列在高維相空間中的相點(diǎn)融合研究,旨在相空間中使用Bayesian估計(jì)理論對(duì)多個(gè)參數(shù)時(shí)間序列的相點(diǎn)的冗余和互補(bǔ)信息進(jìn)行融合。仿真結(jié)果表明:基于Bayesian估計(jì)理論的多參數(shù)時(shí)間序列在高維相空間中的相點(diǎn)融合,使得多參數(shù)時(shí)間序列的融合相空間包含系統(tǒng)多個(gè)參數(shù)的主要特征信息。4.基于多源數(shù)據(jù)融合的短時(shí)交通流預(yù)測研究基于上述1、2和3的分析,本文設(shè)計(jì)基于多交通流參數(shù)融合的短時(shí)交通流預(yù)測模型。主要工作包括:(1)對(duì)于單交通參數(shù),分別分析了基于支持向量回歸機(jī)(Support Vector Regression,SVR)和RBF神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Networks,RBFNN)的兩種短時(shí)交通流預(yù)測模型的原理,同時(shí)采用實(shí)測交通流數(shù)據(jù)驗(yàn)證了這兩種預(yù)測方法的有效性;(2)對(duì)于多交通參數(shù),基于Bayesian估計(jì)理論并借助相空間重構(gòu)理論,設(shè)計(jì)了兩種多參數(shù)融合預(yù)測模型,包括基于多交通流參數(shù)融合的SVR預(yù)測模型和基于多交通流參數(shù)融合的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型,同時(shí)采用多組實(shí)測交通流數(shù)據(jù)驗(yàn)證了預(yù)測模型的可靠性;(3)實(shí)現(xiàn)了單交通流參數(shù)條件下和多交通流參數(shù)條件下的短時(shí)交通流預(yù)測對(duì)比,以及多參數(shù)融合條件下,SVR預(yù)測模型和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測性能對(duì)比。仿真結(jié)果表明:基于多參數(shù)融合的預(yù)測模型的預(yù)測性能優(yōu)于基于單參數(shù)的預(yù)測方法,同時(shí)能夠準(zhǔn)確地反映交通流的變化趨勢(shì)和規(guī)律,而多交通流參數(shù)融合條件下,基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測模型在預(yù)測性能上又優(yōu)于基于SVR的預(yù)測模型。
【關(guān)鍵詞】：交通流參數(shù)時(shí)間序列 混沌理論 相空間重構(gòu) 估計(jì)理論 相點(diǎn)融合 神經(jīng)網(wǎng)絡(luò) 支持向量回歸機(jī) 短時(shí)交通流預(yù)測
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U491.14
【目錄】：

• 摘要3-6
• Abstract6-12
• 第1章 緒論12-22
• 1.1 交通流預(yù)測研究的背景與意義12-13
• 1.2 交通流預(yù)測的研究現(xiàn)狀13-18
• 1.3 問題的提出18-19
• 1.4 論文的主要內(nèi)容和結(jié)構(gòu)19-22
• 第2章 交通流參數(shù)的檢測與分析22-35
• 2.1 交通流特性分析22-27
• 2.1.1 交通流特性22-23
• 2.1.2 交通流基本特征參數(shù)23-25
• 2.1.3 交通流的基本特征參數(shù)之間的關(guān)系25-27
• 2.2 交通流數(shù)據(jù)的檢測27-29
• 2.2.1 固定型采集技術(shù)27-28
• 2.2.2 移動(dòng)型采集技術(shù)28-29
• 2.3 本文的數(shù)據(jù)來源29-30
• 2.4 交通流數(shù)據(jù)的預(yù)處理30-34
• 2.4.1 異常交通流數(shù)據(jù)的識(shí)別與處理31-33
• 2.4.2 交通流數(shù)據(jù)的降噪處理33
• 2.4.3 實(shí)測交通流數(shù)據(jù)的預(yù)處理33-34
• 2.5 本章小結(jié)34-35
• 第3章 交通流參數(shù)的混沌特性分析及相空間重構(gòu)35-54
• 3.1 混沌及其動(dòng)力學(xué)特性35-40
• 3.1.1 混沌理論的數(shù)學(xué)基礎(chǔ)35-36
• 3.1.2 混沌系統(tǒng)的表征參數(shù)和判定方法36-39
• 3.1.3 典型混沌動(dòng)力系統(tǒng)研究39-40
• 3.2 交通流的混沌特性40-42
• 3.2.1 交通流的混沌特性判定40-42
• 3.2.2 交通流的混沌特性分析42
• 3.3 多參數(shù)時(shí)間序列相空間重構(gòu)42-52
• 3.3.1 延遲時(shí)間和嵌入維數(shù)的選取43-44
• 3.3.2 多參數(shù)時(shí)間序列相空間重構(gòu)理論44-46
• 3.3.3 典型混沌動(dòng)力系統(tǒng)的相空間重構(gòu)46-49
• 3.3.4 交通流的多參數(shù)時(shí)間序列相空間重構(gòu)49-52
• 3.4 本章小結(jié)52-54
• 第4章 基于單參數(shù)的短時(shí)交通流預(yù)測研究54-67
• 4.1 基于SVR的短時(shí)交通流預(yù)測54-62
• 4.1.1 支持向量回歸機(jī)原理54-57
• 4.1.2 基于SVR的短時(shí)交通流預(yù)測模型57-59
• 4.1.3 短時(shí)交通流預(yù)測誤差評(píng)判指標(biāo)59-60
• 4.1.4 基于SVR的平均車流量預(yù)測60-62
• 4.2 基于RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測62-66
• 4.2.1 基于RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測模型62-65
• 4.2.2 基于RBF神經(jīng)網(wǎng)絡(luò)的平均車流量預(yù)測65-66
• 4.3 本章小結(jié)66-67
• 第5章 基于多參數(shù)融合的短時(shí)交通流預(yù)測研究67-83
• 5.1 多交通流參數(shù)的融合方法67-71
• 5.1.1 基于Bayesian估計(jì)理論的高維相空間中相點(diǎn)融合68-70
• 5.1.2 典型混沌動(dòng)力系統(tǒng)的相空間融合算法的驗(yàn)證70-71
• 5.2 基于多交通流參數(shù)融合和SVR的短時(shí)交通流預(yù)測71-77
• 5.2.1 多參數(shù)融合的SVR預(yù)測模型72
• 5.2.2 基于多參數(shù)融合和SVR的短時(shí)交通流預(yù)測流程72-73
• 5.2.3 高維相空間中的多交通流參數(shù)時(shí)間序列相點(diǎn)融合73-76
• 5.2.4 基于多交通流參數(shù)融合和SVR的短時(shí)交通流預(yù)測76-77
• 5.3 基于多交通流參數(shù)融合和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測77-80
• 5.3.1 多參數(shù)融合的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型78
• 5.3.2 基于多交通流參數(shù)融合和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測流程78-79
• 5.3.3 基于多交通流參數(shù)融合和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測79-80
• 5.4 短時(shí)交通流預(yù)測方法的對(duì)比80-81
• 5.5 本章小結(jié)81-83
• 第6章 全文總結(jié)與展望83-86
• 6.1 全文工作總結(jié)83-85
• 6.2 工作展望85-86
• 參考文獻(xiàn)86-92
• 致謝92-94
• 攻讀碩士學(xué)位期間從事的科研工作及取得的成果94-95

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉慶華;丁文濤;涂娟娟;方守恩;;優(yōu)化BP_AdaBoost算法及其交通事件檢測[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年12期

2 周韜;;基于實(shí)測數(shù)據(jù)的城市快速路交通流特性研究[J];公路工程;2015年05期

3 陸化普;孫智源;屈聞聰;;大數(shù)據(jù)及其在城市智能交通系統(tǒng)中的應(yīng)用綜述[J];交通運(yùn)輸系統(tǒng)工程與信息;2015年05期

4 侯榮濤;周彬;唐盼;;線圈式車速及車流量檢測器設(shè)計(jì)[J];科學(xué)技術(shù)與工程;2015年27期

5 韋棟;鄭淑鑒;佘文晟;;基于TransModeler的中觀仿真模型研究與應(yīng)用[J];交通科技與經(jīng)濟(jì);2015年02期

6 沈國江;朱蕓;錢曉杰;胡越;;短時(shí)交通流組合模型預(yù)測[J];南京理工大學(xué)學(xué)報(bào);2014年02期

7 周璇;楊建成;;基于支持向量回歸機(jī)的空調(diào)逐時(shí)負(fù)荷滾動(dòng)預(yù)測算法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

8 金玉婷;余立建;;基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測[J];交通科技與經(jīng)濟(jì);2014年01期

9 張洪賓;孫小端;賀玉龍;;短時(shí)交通流復(fù)雜動(dòng)力學(xué)特性分析及預(yù)測[J];物理學(xué)報(bào);2014年04期

10 齊跡;鄭中義;李建民;;基于突變理論的海上交通安全系統(tǒng)演化[J];大連海事大學(xué)學(xué)報(bào);2013年04期

  本文關(guān)鍵詞：基于混沌理論和數(shù)據(jù)融合的短時(shí)交通流預(yù)測，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：283782