短時交通流分析及預(yù)測.pdf

1、短時交通流預(yù)測是交通控制和誘導(dǎo)系統(tǒng)實現(xiàn)的前提，高精度的短時交通流預(yù)測對良性交通導(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)要取得較好的實施效果，必須處理好短時交通流的預(yù)測問題。本文分析了短時交通流的多種特性，并運用其相似性和多尺度特性對短時交通流進行預(yù)測，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交通流在不同時間尺度上的相似性，發(fā)現(xiàn)以周為時間尺度的交通流的相似性大于

2、以日為時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(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這兩組交通流分別進行預(yù)測，對比預(yù)測結(jié)果后發(fā)現(xiàn):以周為時間尺度的交通流數(shù)據(jù)做樣本的預(yù)測精度要高于后者的預(yù)測精度。
　　(2)引入了基于集合經(jīng)驗?zāi)B(tài)分解(EEMD)和WNN的短時交通流組合預(yù)測模型。該模型先用EEMD分解交通流得到多尺度分量，在

3、此基礎(chǔ)上，運用WNN對各子序列分別進行預(yù)測，最后將各子序列的預(yù)測結(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)測精度，明顯優(yōu)于EMD-BPN的組合預(yù)測。
　　(3)引入了基于EEMD-近似熵和WNN的組合預(yù)測模型。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，然后分別對各子序列運用WNN建模預(yù)測，最后將各子序列的預(yù)測結(jié)果進行疊加得到最終結(jié)果。結(jié)果表明該模型與EEMD-WNN相