基于神經網絡模型的短時交通流預測及應用研究.pdf

1、新世紀以來，我國進入了城市化進程的快速發(fā)展期，機動車數量與日俱增，在給人們的生活帶來巨大便利的同時，也帶來交通擁堵、環(huán)境污染、資源浪費等一系列問題，這對人們的日常生活造成了嚴重的影響，并吸引了許多學者的關注。智能交通系統(tǒng)是一種通過人與信息系統(tǒng)配合來緩解交通阻塞，減少資源消耗和降低環(huán)境污染的方法。車聯網是物聯網技術在智能交通領域的典型應用，交通流預測是其中的關鍵技術，以道路交通信息為基礎進行交通誘導，縮減出行時間，減少交通擁擠。
　

2、　短時交通流預測是交通流預測的重點研究內容之一，及時、準確的短時交通流預測信息是保障道路暢通、交通有效運行的關鍵。短時交通流信息具有自相似性的特點，即不同時期同一路段的交通信息呈現一定的規(guī)律性和周期性，這為短時交通流預測提供了有利前提;同時，短時交通流信息也具有實時、高維、非線性、非平穩(wěn)的特征。本文針對現有短時交通流預測算法精度低、收斂慢、性能不穩(wěn)定等問題，對短時交通流預測問題進行了研究，并提出了相應的算法。本文的貢獻主要有以下方面:<

3、br>　　第一，本文在對研究現有交通流預測方法的基礎上，分析了車聯網環(huán)境下的動態(tài)交通流誘導模型，通過VISSIM交通仿真軟件模擬采集交通流數據，并給出了仿真輸入和模擬采集的交通流量和平均速度參數曲線圖。
　　第二，分析了交通流基本特征參數及其特性，結合歷史趨勢法和相鄰補齊法，對交通流數據進行了預處理，修復了錯誤數據，減小了錯誤數據對預測模型精度的影響。
　　第三，提出了新的短時交通流預測算法:GA-BBP算法。GA-BBP算