融合時空信息的短時交通流預測.pdf

1、交通流誘導與控制系統(tǒng)作為一種精細化和智慧化的交通管理方式，其實現(xiàn)基礎在于實時、動態(tài)和精準的短時交通流預測。城市道路網絡交通流具有嚴密的時空邏輯關系，從理論上來講，只有充分融合預測點及其上下游關聯(lián)點交通流的時空運動信息才能準確還原和模擬交通流的真實運動特性。同時考慮到由于歷史或現(xiàn)實因素影響，許多城市無法提供長期完善的交通流歷史數(shù)據庫，因此需要建立一種小樣本數(shù)據條件下的短時交通流預測模型。本文的研究工作正是基于以上兩點展開。
　　論文

2、首先總結分析了當前主流交通流預測模型，指出以模型融合為主的混合模型和融合時空信息的復合預測模型是目前交通流預測的研究重點，同時通過分析對本文所采用的預測模型進行了選定;其次，詳細闡述了城市路網交通流時空流動關系，給出融合時空信息的短時交通流預測原理，明確將預測點及其上下游直接關聯(lián)點作為系統(tǒng)分析對象;然后，為了降低輸入維度，過濾無效信息，利用改進的灰色綜合關聯(lián)度法從直接關聯(lián)點中篩選出對預測點起主要影響作用的強關聯(lián)點;構造了改進的灰色Elm

3、an神經網絡的預測算法，融合灰色理論與Elman神經網絡模型，針對Elman網絡對高階系統(tǒng)辨識能力不足的問題，對網絡結構加以改進，加強網絡對交通流動態(tài)性的反映;構造了改進的NPSO-GRNN的預測算法，引入小生境技術的同時對慣性權重和學習因子加以改進，革除了傳統(tǒng)PSO算法中常見的“局部最優(yōu)解”和“早熟”收斂的弊端，利用改進的NPSO算法建立針對GRNN網絡參數(shù)光滑因子的最優(yōu)化模型，提高模型預測性能。
　　通過仿真試驗，可以發(fā)現(xiàn)在小