城市中心区路网的短时交通流预测研究

《城市中心区路网的短时交通流预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得丞洼王些太堂或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名：和奄拭签字目期．驯解／月7日学位论文版权使用授权书本学位论文作者完全了解丞鎏王些太堂有关保留、使用学位论文的规定。特授权丞注王些太堂可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和

2、借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)学位论文作者签名：签字日期：矽f晦征占俄侗7日／导师签名：缗冽弓签字日期：矽肠年／，月罗日学位论文的主要创新点lIIIMIIIIIHMH}Y2519188一、本文针对短时交通流数据的短期相关性以及周期性特点，结合时间序列预测模型，考虑了ARIMA模型在预测中体现出的均值趋势，建立了乘法季节AR工MA模型。二、针对BP神经网络预测模型构建过程中隐含层数量难以确定的问题，采用多次预测选取最优的方法来建立局部最优BP神经网络短时交通流预测模型。三、针对BP神经网络在短时交

3、通流预测中权值初始化的随机性和权值寻优困难等问题，结合遗传算法解决最优解问题的优势，提出基于遗传算法的BP神经网络预测模型，并采用实际交通流数据，对比乘法季节ARIMA预测模型和BP神经网络预测模型的预测结果，体现出了更优的预测效果。摘要随着经济发展和社会不断城市化，交通拥堵以及交通污染等问题日益严重，所以作为交通诱导以及交通控制系统决策支持的短时交通流预测研究就显得格外重要。本文重点分析了国内外在短时交通流预测领域的研究，总结了短时交通流不确定性，周期性以及非线性等特点，建立了基于统计理论的时间序列预测模型，以及基于人工智能发展起来的BP神经网络预测模型和基于

4、遗传算法的BP神经网络预测模型。最后采用实际交通流数据对预测模型进行仿真实验和精度检验，考虑短时交通流时间序列的相关性以及周期性对ARIMA预测模型精度影响，在其基础上提出了乘法季节ARIMA模型并进行应用分析；针对BP神经网络隐含层数难以确定的难题，采用了多次预测选取最优进行模型结构选择和应用；以遗传算法解决BP神经网络权值寻优，并对基于遗传算法的BP神经网络预测模型进行仿真应用。通过对比三种不同预测模型在同一数据集的预测误差，发现乘法季节ARIMA模型优于BP神经网络预测模型，但基于遗传算法的BP神经网络预测模型相比于其他模型显示出了更好的预测精度和预测效果

5、。所以认为采用遗传算法对BP神经网络进行优化并应用于短时交通流预测领域是可行的，为实时交通诱导和决策提供了支持，能够较为准确地提供交通流预测信息，从而帮助缓解交通压力。关键字：城市交通，短时预测，时间序列，乘法季节ARI姒，BP神经网络，遗传算法ABSTRACTWiththedevelopmentofeconomicandconstanturbanizationofsociety,andthegrowingproblemoftrafficcongestionandpollution，short-termtrafficflowforecastingasthesup

6、portofthedecisionforthetrafficguidanceandcontrolsystemiscausingwidespreadconcern．Throughtheanalysisoftheresearchabouttheshort-termtrafficflowforecastingdidbydomesticandforeignscholarsandtheconclusionthattheuncertainty,periodicityandnon—linearofthetrafficflowdata,thetimeseriesforecast

7、ingmodelbasedonthetheoryoftraditionalstatistic，theBP(back-propagation)neuralnetworkmodelestablishedintheareaofAI(artificialintelligence)andtheBPneuralnetworkoptimizedbytheGA(genetic-algorithm)modelweresetupinthispaper．Inthesimulationprocesswithactualtrafficflowdatafortheprecision-tes

8、ting，conside