基于數據挖掘和數據融合的短時交通流預測研究.pdf

1、實時、準確的短時交通流預測是智能交通控制與管理的基礎?；趩我粫r間維度時間序列的預測方法難以解決短時交通流高度復雜性、隨機性和不確定性的問題，預測效果并不令人滿意。交通流的狀態(tài)轉換不僅僅是時間維度時間序列的一維性，空間分布狀態(tài)的變化對交通流也起了相當大的影響。因而，更為精確的短時交通流預測，需要采用空間維度的預測值對時間維度時間序列的預測結果進行修正。
　　 本文從短時交通流特性出發(fā)，針對實際交通流具有時間維度時間序列性和空間維

2、度空間相關性，提出了基于時空二維融合的短時交通流預測方法。在時間維度上短時交通流表現出強烈的非線性、時變性和不確定性，普通的預測方法很難達到預測精度的要求，因此，本文提出將交通流數據利用小波變換先進行“頻率”分解和單支重構，得到相應的高頻分量和低頻分量，得到的分量相對成分簡單、信號變化較為平穩(wěn)。對各分量采用不同的預測方法進行預測，由高頻分量有較強的非線性而BP神經網絡具有很強的非線性逼近能力，故用BP神經網絡預測高頻分量；低頻分量呈現較

3、有規(guī)律的函數曲線，故用二次指數平滑預測。將各分量預測結果矢量相加求和，即可得到綜合預測結果。在空間維度上，交通流瞬時狀態(tài)下的空間分布具有相關性，同向交通流的瞬時輸出和其空間相關路段的交通流量相關，針對這種不確定的非線性關系，本文用RBF神經網絡來進行空間維度的短時交通流預測。最后，利用信息融合技術能合理協調多源數據，充分綜合有用信息，在較短的時間內、以較小的代價、得到使用單個傳感器所不能得到的數據特征的優(yōu)點，將基于時間維度時間序列的預測