短時(shí)交通流量混合預(yù)測(cè)方法研究.pdf

1、本文主要研究短時(shí)交通流量的混合預(yù)測(cè)方法，所用數(shù)據(jù)為高速公路實(shí)時(shí)采集數(shù)據(jù)，但對(duì)城市道路交通流數(shù)據(jù)同樣適用。首先說明了短時(shí)交通流預(yù)測(cè)的重要意義以及目前存在的各種交通流預(yù)測(cè)方法；分析了短時(shí)交通流的特點(diǎn)，針對(duì)短時(shí)交通流非線性、時(shí)變性、復(fù)雜性的特點(diǎn)，傳統(tǒng)的預(yù)測(cè)方法已經(jīng)不能很好的滿足預(yù)測(cè)精度的要求，本文提出兩種交通流量混合預(yù)測(cè)方法。 方法一：根據(jù)小波分析具有良好的時(shí)頻分析特性，將短時(shí)交通流時(shí)間序列進(jìn)行尺度分解，將其分解到不同的尺度空間，并進(jìn)

2、行單支重構(gòu)，得到相應(yīng)的高頻分量和低頻分量，所得分量相對(duì)成分簡(jiǎn)單、數(shù)據(jù)變化平穩(wěn)。對(duì)各分量采用不同的預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，由自相關(guān)函數(shù)和偏相關(guān)函數(shù)的截尾性和拖尾性判斷，高頻分量采用ARMA模型進(jìn)行預(yù)測(cè)；低頻近似分量由于呈現(xiàn)較有規(guī)律的函數(shù)曲線，而神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性逼近能力，所以采用GRNN網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。將各分量預(yù)測(cè)結(jié)果矢量相加求和，即可得到綜合預(yù)測(cè)結(jié)果。 方法二：很多國(guó)內(nèi)外研究結(jié)果表明，交通流具有混沌特性。計(jì)算交通流時(shí)間序列混沌特征

3、參數(shù)，判斷本文交通流序列具有混沌性，所以可以采用混沌時(shí)間序列預(yù)測(cè)法進(jìn)行交通流預(yù)測(cè)。由自相關(guān)函數(shù)法確定延遲時(shí)間τ、根據(jù)G-P算法確定嵌入維數(shù)m，并重構(gòu)相空間，得到與原系統(tǒng)相似的新的狀態(tài)空間。然后把得到的新狀態(tài)空間的各分量與神經(jīng)網(wǎng)絡(luò)相結(jié)合，將其作為RBF網(wǎng)絡(luò)的輸入，通過網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，輸出分量即是最終的預(yù)測(cè)結(jié)果。 由MATLAB仿真效果圖和仿真性能指標(biāo)可以看出，本文提出的兩種混合預(yù)測(cè)方法預(yù)測(cè)精度很高，可以達(dá)到交通流實(shí)時(shí)控制與誘導(dǎo)的基本