短時交通流預(yù)測的PSO-PLS組合預(yù)測模型研究.pdf

1、現(xiàn)代社會，交通事故頻發(fā)，交通環(huán)境逐漸惡化。為了解決交通問題給當(dāng)代經(jīng)濟(jì)社會發(fā)展所帶來的阻礙，智能交通系統(tǒng)應(yīng)運而生。短時交通流預(yù)測(Short-termTraffic Flow Forecasting，STFF)是實現(xiàn)智能運輸系統(tǒng)中動態(tài)誘導(dǎo)系統(tǒng)的關(guān)鍵技術(shù)。由于時間跨度短，短時交通流表現(xiàn)出很強(qiáng)的不確定性，普通的單一的預(yù)測方法不能很好的反映出交通流過程的不確定性和非線性，無法很好的克服隨機(jī)因素對其預(yù)測結(jié)果精度的影響。
　　 本文首先分析

2、了短時交通流預(yù)測的研究現(xiàn)狀，概述了目前國內(nèi)外針對短時交通流預(yù)測的主要方法；總結(jié)了組合預(yù)測方法在短時交通流預(yù)測中的優(yōu)勢。其次，分析了短時交通流預(yù)測的特點。在前人研究的基礎(chǔ)上，針對傳統(tǒng)組合預(yù)測方法的局限性，提出一種PSO-PLS(Particle Swarm Optimization-Partial Least SquaresRegression,微粒群-偏最小二乘回歸)組合預(yù)測方法。由于在傳統(tǒng)的組合預(yù)測方法中，研究者均將重點放在了單個預(yù)測

3、方法的選擇和預(yù)測方法在組合模型中權(quán)重的確定這兩個方面。本文方法在研究這兩個問題的同時，考慮了各個樣本在樣本空間代表性的不同，在樣本空間對每個樣本的最佳權(quán)重進(jìn)行尋優(yōu)。由于這個尋優(yōu)過程是一個全局優(yōu)化過程，我們引入微粒群算法來求解最優(yōu)的樣本權(quán)重。微粒群算法是一種新興的群智能算法，自1995年由美國社會心理學(xué)家James Kennedy和電氣工程師Russell Eberhart共同提出以來，由于其概念簡明，參數(shù)設(shè)置少，對解決復(fù)雜環(huán)境中優(yōu)化問題

4、非常有效。另外，針對標(biāo)準(zhǔn)微粒群算法的缺陷，對其部分參數(shù)進(jìn)行改進(jìn)，以克服算法易陷于局部最優(yōu)的不足。
　　 在城市交通狀況日益惡化的背景下，本文通過分析短時交通流本身的特征，采用PSO-PLS組合預(yù)測的方法對短時交通流進(jìn)行預(yù)測。預(yù)測的結(jié)果為交通管理部門制定相應(yīng)的對策提供有力支持，能有效的指導(dǎo)智能交通系統(tǒng)對交通流進(jìn)行合理的疏導(dǎo)，幫助人們更好地進(jìn)行路徑選擇，實現(xiàn)路徑誘導(dǎo)，以縮減出行時間，減少交通擁擠。
　　 用本文提出的PSO-