交通量預測理論與方法研究.pdf

1、交通運輸業(yè)的健康快速發(fā)展，促進了物質(zhì)交流和人們的往來，提高了工作效率。但由于人們的需求和交通工具的增長速度遠遠高于道路和其它交通設(shè)施的增長，隨之引起交通擁擠、道路阻塞、環(huán)境污染、交通事故頻發(fā)等一系列交通問題，造成了巨大的物質(zhì)與經(jīng)濟損失。研究交通量的變化規(guī)律，并對未來時刻交通量或發(fā)展趨勢進行實時、準確、科學合理地預測，對于進行交通規(guī)劃、交通誘導、交通管理、交通控制與安全等都具有十分重要的意義，交通量預測已成為交通工程領(lǐng)域重點研究課題。

2、r>　　 本學位論文對交通量預測理論和方法進行了系統(tǒng)研究。主要研究成果包括：
　　 1、針對卡爾曼濾波預測精度取決于準確反映系統(tǒng)初始狀態(tài)的程度，論文提出了交通量的一種基于相空間重構(gòu)的卡爾曼濾波預測方法，即先用相空間重構(gòu)技術(shù)對交通量時間序列進行相空間重構(gòu)，然后在重構(gòu)后的相空間上應用卡爾曼濾波計算方法對交通量時間序列進行跟蹤預測。仿真結(jié)果表明該方法提高了預測的精度；論文將蟻群算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來，利用蟻群算法訓練人工神經(jīng)網(wǎng)絡(luò)的權(quán)

3、值，提出了基于蟻群神經(jīng)網(wǎng)絡(luò)的交通量預測方法，該方法兼有神經(jīng)網(wǎng)絡(luò)的廣泛映射能力和蟻群算法的快速、全局收斂以及啟發(fā)式學習等特點，實例表明該方法的有效性；針對選擇嵌入維數(shù)不當和系統(tǒng)內(nèi)在隨機性給預測帶來的影響，論文提出了交通量的多變量相空間重構(gòu)的預測方法，該方法采用多變量時間序列進行高維重構(gòu)，更多地利用了復雜系統(tǒng)中各變量之間相互藕合的關(guān)系，增加了重構(gòu)的信息量，從而達到提高預測精度的目的；
　　 2、針對神經(jīng)網(wǎng)絡(luò)預測方法往往需要大量的訓練

4、樣本，而且網(wǎng)絡(luò)結(jié)構(gòu)人為因素較多，從而影響了交通流量預測的實時性和準確性的問題，論文通過自組織形式構(gòu)建了GMDH網(wǎng)絡(luò)，并嘗試將它應用于交通流量預測研究，建立了基于GMDH網(wǎng)絡(luò)的交通流量預測模型。由于GMDH網(wǎng)絡(luò)訓練無需大量的先驗知識，網(wǎng)絡(luò)結(jié)構(gòu)有自組織和全局選優(yōu)的特性，因而保證了利用GMDH網(wǎng)絡(luò)建立的短時交通流量預測模型具有較好的性能；
　　 3、針對最小二乘法在GMDH網(wǎng)絡(luò)部分描述式系數(shù)辨識中的不足，論文在GMDH網(wǎng)絡(luò)的基礎(chǔ)上，將

5、模糊推理模型引入GMDH網(wǎng)絡(luò)，以取代傳統(tǒng)GMDH網(wǎng)絡(luò)的部分描述（即完全二元二次多項式），提出了一種基于模糊GMDH網(wǎng)絡(luò)的交通流量預測模型，計算機仿真結(jié)果表明，模型的預測精度有較大的提高；
　　 4、針對傳統(tǒng)GMDH網(wǎng)絡(luò)建模用最小二乘法來辨識參數(shù)，常常導致模型預測效果不理想的問題，論文將遺傳算法引入GMDH網(wǎng)絡(luò)，建立了基于遺傳算法的GMDH網(wǎng)絡(luò)模型。由于遺傳算法是一種有效的搜索和優(yōu)化方法，它具有自適應搜索、漸進式尋優(yōu)、并行式搜索、

6、通用性強等特點，因而所提出的模型具有較好的預測效果，通過計算機仿真證明了該結(jié)果。
　　 5、將免疫算法與遺傳算法結(jié)合起來，引入免疫遺傳算法來辨識GMDH網(wǎng)絡(luò)的部分描述式系數(shù)，由于該算法能夠在全局與局部范圍內(nèi)同時尋優(yōu)，提高了全局尋優(yōu)能力，避免了陷入局部極小等問題，使得部分描述式更加精確。由這樣的部分描述式按照GMDH算法得到了系統(tǒng)的完全描述，從而構(gòu)造了基于免疫遺傳算法的GMDH網(wǎng)絡(luò)模型。將該模型用于交通量預測，計算機仿真結(jié)果說明該