论文部分内容阅读
随着城市道路交通拥堵问题日益严峻，为有效提高道路通行能力，智能交通系统应运而生。而智能交通系统的有效实现需要准确及时的短时交通流数据作为支撑，准确及时的交通流预测不仅有助于制定有效的交通管理与控制策略，减少时间和空间上的路权浪费，提高道路通行效率；而且可以为出行者提供准确可靠的路径诱导信息，使交通流在路网上有一个合理分配。
本文在学习关于国内外短时交通流预测现有研究成果的基础上，结合短时交通流特征，提出了一种基于二次分解技术的集成神经网络模型。此外，文章重点考虑了短时交通流数据的预处理技术和预测模型的优化两个方面，所做的主要工作如下：
（1）基于二次分解方法的短时交通流时间序列预处理技术。首先采用小波分解方法对交通流进行降噪，减弱噪声对交通流预测的干扰，通过大量仿真实验最终得到信噪比较高的小波分解方法；然后对小波分解后的信号进行集成经验模态分解，将交通流分解为若干频率相似的波和余波，以此提高预测模型的精确度。
（2）PSR-PSO-Elman神经网络预测模型。由于交通流的混沌性特征，采用基于C-C方法的相空间重构技术确定Elman神经网络结构的输入层节点数；通过对最佳隐含层节点数进行分层平均，采用多隐含层取代单隐含层的方法提高网络特征识别效率；最后采用粒子群算法对Elman神经网络的连接权值和阈值进行优化，得到PSR-PSO-Elman神经网络预测模型。
（3）分解—集成Elman神经网络预测模型。通过PSR-PSO-Elman神经网络模型对每个具有相同或相似特征的分解分量分别进行预测，然后对各分量预测结果进行加和集成，得到最终的集成神经网络预测结果。
通过美国加州快速路通行能力度量系统PeMS中的三个检测站点的部分短时交通流数据对文章所提模型进行验证，实验结果表明集成神经网络模型的预测精度要高于单一模型，平均相对误差分别由9.80%下降至6.97%、由8.83%下降至6.42%、由7.82%下降至5.71%。
本文在学习关于国内外短时交通流预测现有研究成果的基础上，结合短时交通流特征，提出了一种基于二次分解技术的集成神经网络模型。此外，文章重点考虑了短时交通流数据的预处理技术和预测模型的优化两个方面，所做的主要工作如下：
（1）基于二次分解方法的短时交通流时间序列预处理技术。首先采用小波分解方法对交通流进行降噪，减弱噪声对交通流预测的干扰，通过大量仿真实验最终得到信噪比较高的小波分解方法；然后对小波分解后的信号进行集成经验模态分解，将交通流分解为若干频率相似的波和余波，以此提高预测模型的精确度。
（2）PSR-PSO-Elman神经网络预测模型。由于交通流的混沌性特征，采用基于C-C方法的相空间重构技术确定Elman神经网络结构的输入层节点数；通过对最佳隐含层节点数进行分层平均，采用多隐含层取代单隐含层的方法提高网络特征识别效率；最后采用粒子群算法对Elman神经网络的连接权值和阈值进行优化，得到PSR-PSO-Elman神经网络预测模型。
（3）分解—集成Elman神经网络预测模型。通过PSR-PSO-Elman神经网络模型对每个具有相同或相似特征的分解分量分别进行预测，然后对各分量预测结果进行加和集成，得到最终的集成神经网络预测结果。
通过美国加州快速路通行能力度量系统PeMS中的三个检测站点的部分短时交通流数据对文章所提模型进行验证，实验结果表明集成神经网络模型的预测精度要高于单一模型，平均相对误差分别由9.80%下降至6.97%、由8.83%下降至6.42%、由7.82%下降至5.71%。