当前位置：搜档网 › 基于多机器学习竞争策略的短时交通流预测

基于多机器学习竞争策略的短时交通流预测

小波神经网络的时间序列预测-短时交通流量预测

%% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n);

d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end

基于神经网络的交通流预测研究

河北工业大学硕士学位论文基于神经网络的交通流预测研究姓名：彭进申请学位级别：硕士专业：模式识别与智能系统指导教师：赵晓安 20081101

河北工业大学硕士学位论文基于神经网络的交通流预测研究摘要作为智能交通系统的核心内容之一，智能交通控制与诱导系统一直是智能交通研究的热门课题。城市交通流控制与诱导系统的实现将有效地减少交通拥挤和城市环境污染，提高道路通行能力和改善交通安全状况。而实时、准确的交通流量预测正是这些系统实现的前提及关键，交通流量预测结果的好坏直接关系到交通控制与诱导的效果。交通控制与诱导系统需要在做出控制(诱导)变量决策的时刻对下一决策时刻乃至以后若干时刻的交通流量做出实时预测。目前，我国普遍采用遥感微波检测器或环形线圈检测器检测实时交通流量。但是，对于一个完善的交通流诱导系统而言，采用实时检测设备检测的交通流信息具有滞后性。因此，实现城市交通流诱导系统的关键是道路交通状况的预测，也就是采用相应的技术，以有效地利用实时交通数据信息滚动预测未来一段时间内的交通状况。根据预测的交通流信息实现交通流的诱导，以避免交通拥挤，实现交通的畅通。本文主要研究人工神经网络在实时交通流预测中的应用。在应用人工神经网络预测交通流量方面提出了有效的途径。本论文的主要研究工作为： (1)介绍了交通流预测系统基本概念及理论框架，并提出了路段短时交通流预测模型； (2)利用BP神经网络的优势，提出了一种改进型BP网络算法。实验结果表明该算法在路段短时交通流预测方面有着优良的效果； (3)结合递归Elman网络和BP网络的优点，提出了一种综合型交通流预测算法。该算法具有较强的非线性函数逼近能力和学习能力，为路段短时交通流预测提供了一种有效的途径。关键词: 交通流，人工神经网络，BP网络，Elman网络，预测 i

交通流预测方法

交通流预测方法随着社会经济和交通运输业的不断发展，交通拥挤等交通问题越来越凸现出来，成了全球共同关注的问题。那么对于交通流的预测不仅是城市交通控制与诱导的基础，还是解决道路拥堵问题的关键。如果能精确的预测交通网中各个支路上的汽车流量，那么我们可以运用规划方法对交通流进行合理的优化，从而使得道路的利用率达到最大，也可以解决部分拥堵问题。在新建道路的前期也需要对兴建道路的车流量进行一个长期的交通预测，从而对道路的经济效益进行评估，对论证道路修建的可行性研究提供依据。由此可见，对交通流的预测是必要的，在本课题中我对四公里立交车流作一个最优函数估计，旨在对四公里立交的车流进行精确预测。交通流理论是研究交通随时间和空间变化规律的模型和方法体系。多年来交通流理论有了较快的发展，众多学者在这一研究方向做出了许多优秀的成果，将交通流理论运用于交通运输工程的许多研究领域，如交通规划、交通控制、道路与交通设施设计等。预测方法从大体上可分为定性预测与定量预测。定性预测中主要有相关类比法、德尔菲法等；定性预测则分为因果分析、趋势分析智能模型。因果分析主要方法有线性回归、非线性回归等模型；趋势分析主要有时间序列模型、趋势回归模型等；智能模型主要包括神经网络模型和非参数回归模型。短期交通流的预测方法较早期的有：自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、历史平均模型（HA）和Box-Cox法等，随着该领域的发展，预测方法不断趋于精确，在大批学者的共同努力下出现了许多更加复杂、精度更高的预测模型。大体来说可分为两类：一类是以数理统计和微积分等传统的数学方法为基础的预测模型，主要包括：时间序列模型、卡尔曼滤波模型、参数回归模型等；第二类是以现代科学技术和方法（如模拟技术、神经网络、模拟技术）为主要研究手段而形成的短期预测模型，该种方法不追求严格意义上的数学推导和明确的物理意义，更加重视与现实交通流量的拟合接近程度，该种方法主要包括非参数回归模型、KARIMA算法、基于小波理论的方法、谱分析和多种与神经网络相关的复合预测模型等。现阶段广泛应用的主要有以下四种模型。历史平均模型Stepehanedes于1981年将此方法应用于城市交通控制系统中。其特点有算法简单，参数可用最小二乘法进行估计，操作简单，速度快，但其由于它是一种静态的预测方法，不能反映动态交通流基本的不确定性和非线性性，无法克服随即干扰因素的影响。时间序列-ARIMA模型由Ahmed和Cook于1979年首次在交通领域提出。在大量连续数据的基础上，此模型没有较好的预测精度，但需要复杂的参数估计，且其对历史数据的依赖性较高，成本较高。该方法技术比较成熟，特别适用于稳定的交通流。该模型只是单纯从时间序列分析的角度进行预测，没有考虑上下游路段之间的流量关系。神经网络模型人工神经网络诞生于20世纪40年代，Schin 于1992年用之于长期的交通预测，1993年1994年Dougherty 和Clark 分别将其应用于短期交通预测。该方法在一定程度上摆脱了建立精确数学模型的困扰，为研究工作开辟了新的思路。应用较广泛的有BP神经网络-误差反传神经网络模型、单元神经网络模型、基于谱分析的神经网络模型、高阶神经网络模型和模糊神经网络模型等方法非参数回归模型，由Davis和Smith于1991年应用到交通预测领域，该预测方法是一种适合不确定性、非线性的动态系统的非参数建模方法。无需先验知识，只需足够的历史数据。鉴于道路交通系统的非线性、复杂性和不确定性等特征，许多无模型的预测方法被应用到短期的交通流预测当中，且取得了良好的效果，研究发现，考虑上下游道路流量的关系的预测方法更能反映实际情况，比起单纯的时间序列预测方法更加贴合实际，有更大的发展空间。

交通流量的神经网络预测研究

交通流量的神经网络预测研究 [摘要]交通流量预测问题是交通信息预测的核心问题，进行交通流量预测理论体系的研究，对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析和介绍，并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据，我们采用了分区间段进行数据整理，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。 [关键词]交通信息交通流预测 BP神经网络

Research on neural network prediction of traffic flow [Abstract] Traffic flow forecasting is the core problem of traffic information prediction,theory system in the prediction of traffic flow,is very important for improving our countrytraffic congestion has academic value and practical significance.Th is paper based on summarizing the domestic and foreign research results,analyzes and introduces the existing traffic flow forecasting methods, andanalysis to predict the traffic flow by neural network. based on centralized distribution of traffic flow and combined with the actual traffic flow data. We use the inter partition of data processing during the process of BP neural network can be used to traffic flow prediction by comparing the predicted results ,proves that BP neural network has the good forecast effect. [Keywords] Traffic Information Traffic flow Prediction BP neural network

短时交通流预测研究综述

短时交通流预测研究综述摘要：道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础。本文概述了道路交通流预测方法的发展历程,分析比较了各预测模型的优点、缺点及适用情况,给出了道路交通预测的一般流程。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于检测器优化选择的短时交通流预测算法的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;以预测的均方误差最小为目标函数，通过遗传算法优化选择合适的检测器，以小波神经网络作为预测算法进行短时交通流预测具有很高的精度和适用性。关键词：交通工程；交通流理论；短时交通流；预测模型;神经网络算法 Research on Short-Time Traffic Flow Forecasting Methods LIU Jia-tong (1. Department of Bridge Engineering, School of Highway, Chang’an Unversity) Abstract:Prediction of road traffic flow is one of the key technologies of intelligent transportation system. This paper summarizes the development of road traffic flow forecasting methods, analyzes and compares the advantages, disadvantages and application of each forecasting model. The existing prediction methods are classified based on the method of statistical analysis: Based on the theory and methods of nonlinear theory and traffic detector based on the optimal selection of flow prediction algorithm based on prediction method and neural network method. The prediction effect of comprehensive prediction model of artificial neural network model and other fields combined than single neural network prediction model and the conventional prediction; to minimize the mean squared error as the objective function, the genetic algorithm to choose the appropriate detector with the wavelet neural network as prediction algorithm of short term traffic flow forecasting high precision and applicability. Keywords:Transportation Engineering; Traffic Flow Theory; Short-termTraffic Flow; Prediction Model; Neural Network Algorithm

交通预测模型【对各种交通流预测模型的简要分析】

交通预测模型【对各种交通流预测模型的简要分析】摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。

几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。一、基于统计方法的模型这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，

城市道路交通流预测

城市道路交通流预测 1交通流预测方法历程在交通预测方法方面，上世纪60年代，国外就开始研究交通流预测模型，并逐渐将这些模型应用于短时交通流预测。早期得预测方法主要有时间序列法，自回归滑动平均模型(ARMA)、卡尔曼滤波预测模型等等。这些预测模型主要为线性模型，其考虑因素都较为简单，一般都用最小二乘法(LS)在线估计参数，利用历史数据线性变化趋势预测交通流参数。早期得方法具有计算简便，易于数据实时更新，便于数据量与规模较小得条件下应用得优点；但就是由于这些模型不能体现交通流得非线性与随机性，很难克服随机因素对交通流量得干扰，所以随着预测时间隔得缩短，随机因素得作用也增强了，这些模型得预测精度与实时性也就变得达不到预期得效果。伴随着交通流量预测研究得深入进行，学者们又提出了很多更复杂得、更高精度得预测方法与模型。从表现形式上大体可分成三类：第一类就是早期以数理统计等传统数学方法为基础得线性预测模型；一类就是以现代控制理论与科学技术(如模拟技术、神经网络、模糊控制)为主要方法与手段而形成得非线性预测模型，她们得特点就是不需要精确得物理模型，在一定应用范围内却具有良好得鲁棒性、精确度；第三类主要就是前两者得组合应用，第三类方法综合了得特性，克服前两者她们得缺点，使得前两者得优点互补，从而达到很好得预测效果。这类方法建模过程较为复杂，但为短时交通流预测研究开辟了新得路径，也就是将来短时交通流预测方法得发展方向。早在1994 年Hobeika, A、G 与Chang Kyun Kim 在文献中提出了根据截面历史数据、实时数据与上游交通流数据进行短时交通流预测。Brian L、Smith 与Miehael J、Demetsky(1997)在文献中对历史平均预测模型、时间序列预测模型、神经网络预测模型与非参数回归预测模型四种交通流预测模型进行了比较，结果非参数回归模型以其模型简单，精度高成为了小样本预测中最佳得预测

改进GA优化BP神经网络的短时交通流预测

第３８卷第１期　２０１５年１月合肥工业大学学报（自然科学版）JOURNAL OF HEFEI UNIVERSITY OF T ECHNOLOGY Vol ．３８No ．１　Jan ．２０１５收稿日期：２０１４‐０１‐０３；修回日期：２０１４‐０８‐１０基金项目：国家自然科学基金重点资助项目（７１２３１００４）作者简介：卢建中（１９８６－），男，安徽庐江人，合肥工业大学硕士生；程　浩（１９７９－），男，安徽桐城人，博士，合肥工业大学讲师．doi ：１０．３９６９／j ．issn ．１００３‐５０６０．２０１５．０１．０２７改进G A 优化B P 神经网络的短时交通流预测卢建中，　程　浩（合肥工业大学管理学院，安徽合肥　２３０００９）摘　要：为了提高BP 神经网络预测模型对短时交通流的预测准确性，文章提出了一种基于改进遗传算法优化BP 神经网络的短时交通流预测方法。由于模拟退火算法具有较强的局部搜索能力，能够在搜索过程中避免陷入局部最优解，因此引入模拟退火算法中的Metropolis 接受准则来增加遗传算法的局部搜索能力，避免了遗传算法过早收敛和陷入局部最优解。通过改进的遗传算法优化BP 神经网络的权值和阈值，然后训练BP 神经网络预测模型以求得最优解。仿真结果表明，该方法对短时交通流预测具有较好的预测精确性。关键词：交通流预测；BP 神经网络；遗传算法；模拟退火算法；Metropolis 接受准则中图分类号：T P １８３；U ４９１文献标识码：A 文章编号：１００３‐５０６０（２０１５）０１‐０１２７‐０５ Short ‐term traffic flow forecast based on modified GA optimized BP neural network LU Jian ‐zhong ，　CHENG Hao （School of M anagement ，Hefei U niversity of T echnology ，Hefei ２３０００９，China ）Abstract ：In order to improve the accuracy of short ‐term traffic flow forecast based on BP neural net ‐work prediction model ，a forecast method based on modified genetic algorithm （GA ）optimized BP neural network is proposed ．Because the simulated annealing （SA ）algorithm has strong local search ‐ing capability and can avoid getting into limited optimum solution in the searching process ，the M e ‐tropolis acceptance criteria in the SA algorithm is introduced to GA ，w hich effectively overcomes pre ‐mature convergence and getting into limited optimum solution ．T he modified genetic algorithm is used to optimize BP neural network ’s weights and thresholds ，then the BP neural network model is trained to obtain the optimal solution ．T he simulation results show that this method is accurate in short ‐term traffic flow forecast ．Key words ：traffic flow forecast ；BP neural network ；g enetic algorithm （GA ）；simulated annealing （SA ）algorithm ；M etropolis acceptance criteria 物联网被认为是继计算机、互联网与移动通信之后的世界信息产业的又一次浪潮，而车联网是物联网应用于智能交通领域的集中体现，也是物联网的一个重点领域。车联网可以实现车与人之间、车与车之间、车与基础设施之间信息通讯的交换，但是组建车联网过程中还有一些关键的技术问题需要研究，如RFID 技术、车联网新协议研发、智能交通等。其中智能交通是国内外学者研究的热点，而实时准确的交通流预测是智能交通的前提和关键。根据交通流预测的时间可以将交通流划分为短时交通流、中期和长期交通流，而短时交通流预测的实时性最强、反映最为快捷，因此实际应用也最为广泛。国内外学者针对短时交通流预测建立

短时交通流预测方法综述_高慧

第22卷第1期2008年1月济南大学学报(自然科学版) J OURNAL OF UN I VERSITY O F JI NAN (Sc.i &T ech ) Vo.l 22 No .1 Jan.2008 文章编号:1671-3559(2008)01-0088-07 收稿日期:2007-05-21 基金项目:国家自然科学基金(60674062);济南大学博士基金 (B0608);济南大学科研基金(Y0601)。作者简介:高慧(1982-),女,山东德州人,硕士生;赵建玉 (1966-),女,山东临沂人,副教授,硕士生导师。短时交通流预测方法综述高慧1 ,赵建玉1 ,贾磊 2 (1.济南大学控制科学与工程学院,山东济南250022;2.山东大学控制科学与工程学院,山东济南250061) 摘要:以交通流预测研究的步骤为主线,对短时交通流预测的方法进行研究。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于新兴技术的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;基于非线性理论的预测方法有较好的发展前景。关键词:智能交通;数据采集;数据预处理;交通流预测中图分类号:U 491.112 文献标识码:A 交通系统 [1] 是支持社会经济发展的基础设施和循环系统 ,在社会经济系统中占有重要的地位。交通问题解决的好与坏,直接影响着国民经济的发展与人民生活质量的提高。当今世界各国的大城市无不存在着交通拥挤问题。交通问题在一定程度上已经成为制约经济、社会稳定发展的瓶颈问题。然而有限的土地和经济制约等使得道路建设不可能达到相对满意的里程数,所以就需要在不扩张路网规模的前提下,综合运用现代信息与通讯技术等手段来提高交通运输的效率,以提高交通路网的通行能力。于是,运用各种高新技术系统地解决道路交通问题的思想就应运而生了,这就是智能交通系统I TS(intelligent transport syste m ) [2-3] 。交通控制与诱导系统是I T S 研究的热门核心课题,而实现交通流诱导系统的关键问题是实时准确的交通流量预测,即如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况。其结果可以直接送到先进的交通信息系统(ATIS)和先进的交通管理系统(ATM S)当中,给出行者提供实时有效的信息,帮助他们更好地进行路径选择,实现路径诱导,以缩减出行时间,减少交通拥挤。这种预测称为短期预测(short-ter m forecasting),它是微观意义上的,与中观和宏观意义上的以小时、天、月甚至是年计算的基于交通规划的战略预测(strateg ic fore -casting)是有本质区别的 [4-5] 。 1 数据采集最初的交通参数信息采集方法都是非自动的人工采集方法,包括人工观测法和摄影法等。自20世纪30年代美国研制出声控式感应式交通信号控制机以来,交通量检测器技术得到了迅速发展,特别是近20年来出现了大量的新型交通量检测器。交通量检测器的种类很多,主要有:环形线圈检测器,超声波检测器,磁感应式检测器,光辐射式检测器,雷达检测器,视频检测器等。目前应用较多的是环形线圈检测器、超声波检测器和视频检测器。1.1 环形线圈检测器方法环形线圈检测器 [6] 出现于20世纪60年代,是目前交通控制中应用最广的交通量检测器。该检测器是一种基于电磁感应原理的车辆检测器,它的传感器是一个埋设在路面下、通有一定交变电流的环形线圈。当车辆通过线圈或停在线圈上时,车辆引起线圈回路电感量的变化,检测器可检测出该变化,基于此原理采集交通量。1.2 超声波检测器方法超声波检测器 [1] 是通过接收由超声波探头发出并经过车辆反射的超声波来检测车辆的。超声波检测器的工作原理可分为两种:传播时间差法和多普勒法。传播时间差法,超声波检测器的探头向路面发射超声波然后接受其反射波,当有车辆时,超声波会经车辆反射提前返回。多普勒法,超声波探头向空间发射超声波同时接收信号,如果有移动物体,那么接收到的反射波信号就会呈现多普勒效应。

短期交通流量预测

短期交通流量预测摘要交通流量是一种对于一段时间在某个路口通过的交通实体量，在现在的社会中，智能运输系统等交通理论的研究已经渐渐成为发达国家的研究对象，而交通流量预测分析是其中的核心研究之一。所以，对于交通流量的预测成为叩开智能交通系统大门的最有力的那一把钥匙。在前面，我们首先面临的一个问题是对于数据的处理。题目以15分钟为一个时间段来测量交通流量，一共有三天的数据，应该有288个数据，但是题目只给出了276个。另外，在数据中还有两个为负的数据。面对缺失数据和异常数据，我们分别使用了热卡插补法和平均值填补法来解决。然后在进行预测时，我们分别使用了不同的软件来建立不同的预测模型。首先我们使用了灰色预测GM软件来进行灰色模型的预测，在预测前，我们先用模型和前两天的交通流量来预测第三天的交通流量，然后将第三天的真实交通流量与预测交通流量进行相关性检验，检验通过后，再用于预测第四天的交通流量，最后评价模型的好坏。接着，我们使用了spss软件来进行回归分析模型的预测。在预测之前，我们需要先对数据进行相关性检验，若没有相关性，则回归方程会没有意义。接下来，通过对回归方法的决定性系数检验和方差分析检验，得到最合适方法。之后再进行第四天的预测及预测结果的评价。然后，我们使用了metlab软件来实现BP神经网络模型的预测。BP神经网

络的实质是用已给出的数据来推出需要的数据，并将新预测出的数据重新返回输入中，得到误差，一直重复，直到误差到达合理的围。在预测之前，我们先得出了误差在合理围，并且看到已给出数据的真实值与预测值得对比。在确保模型是可用的之后，在进行预测与预测结果的评价。最后，我们使用了eview软件来进行时间序列的预测。时间序列预测要求数据必须是平稳的，所以在预测前，先要对数据进行ADF检验，在检验通过后，才能进行预测，得到预测后的表达式和残差。在最后，还必须对残差进行分析估计。这样之后，对模型进行评价。在本文的最后，我们进行了进一步的讨论和改进，对四种预测方法进行了一个比较，判断出那个模型是最适合这个题目的。并且对文章中所涉及的模型进行推广，使其更便于运用于生活实际中。关键词：eviews 热卡插补法相关性检验神经网络时间序列ADF检验

曹安公路远期交通流量预测

曹安公路远期交通流量预测——以华江支路——嘉金高速段为基础学院：交通运输工程学院学号：姓名：

目录一、报告概述 (3) 工作目标 (3) 工作内容 (3) 技术路线 (3) 二、调查道路和交叉口概述 (4) 三、调查数据处理与现状分析 (4) 3.1调查数据汇总及标准车换算 (4) 3.2路段流量推算 (5) 3.3 AADT计算 (6) 3.4现状分析 (7) 四、远期流量预测 (8) 4.1基于弹性系数的远期交通量预测 (10) 4.2基于线性回归的远期交通量预测 (11) 4.3基于人工神经网络为融合基础的远期交通量组合预测 (12) 五、预测结果分析 (14)

一、报告概述：工作目标根据曹安公路华江支路——嘉金高速段历年交通流量数据，综合现场调查结果，预测该段2020—2025年年平均日交通量，并对未来曹安公路道路建设工程提出合理意见。工作内容现场数据采集：收集曹安公路华江支路——嘉金高速段两交叉口早晨8：00—9：00车流量；数据处理与分析：（1）现状与历年流量的差异及差异出现的原因（2）变化趋势与历年趋势的对比，说明影响预测结果的主要影响因素及产生原因（3）预测结果分析技术路线

二、调查道路和交叉口概述本次调查区段为曹安公路华江支路—嘉金高速段，共有两个交叉口，分别是翔江公路交叉口和翔封路交叉口。两交叉口相对位置如下图所示：三、调查数据处理与现状分析 3.1调查数据汇总及标准车换算将实测的分车型交通量转换为标准车流量。换算系数如下：各交叉口流量调查及标准车换算

3.2路段流量推算以采集数据的两个交叉口：翔江公路及翔封路，把华江支路——嘉金高速区段划分成三个路段：华江支路—翔封路，翔封路—翔江公路和翔江公路—嘉金高速。采样时间段内（8：00—9：00）各路段统计交通量如下：

基于改进GMDH算法的路口短时交通流量预测

一一收稿日期:2014-05-29;修回日期:2014-08-20三一一基金项目:国家自然科学基金资助项目(61374116);中央高校基本科研专项基金资助项目(2014202)三一一作者简介:王明月(1990-),女,江苏扬州人,硕士研究生,主要研究方向:控制理论与控制工程;一王晶(1960-),女,辽宁沈阳人,副教授,硕士,主要研究方向:系统工程二经济控制论;一齐瑞云(1979-),女,安徽人,教授,博士,主要研究方向:模糊自适应控制;一陈复扬(1967-),男,江苏扬州人,教授,博士,主要研究方向:自适应控制二道路交通管理三文章编号:1001-9081(2015)S1-0101-03 基于改进GMDH 算法的路口短时交通流量预测王明月,王一晶? ,齐瑞云,陈复扬 (南京航空航天大学自动化学院,南京210016) (?通信作者电子邮箱wangj_9989@https://www.sodocs.net/doc/785820970.html,)摘一要:城市交通是一个复杂的大系统,实时而准确的短时交通流量预测,可以为城市交通诱导和控制提供科学支持三针对GMDH 算法建模泛化能力差的问题,结合集成学习的思想对GMDH 算法进行改进,并将改进的算法应用到短时交通流量模型的构建中三结果表明,该方法可以有效地对短时交通流量进行预测,建模平均相对误差为1.10%,预测相对误差为0.58%三关键词:智能交通系统;短时;交通流量;GMDH ;预测中图分类号:TP181一一文献标志码:A Short-term traffic flow forecasting on grossroads based on improved group method of data handing WANG Mingyue,WANG Jing ? ,QI Ruiyun,CHEN Fuyang (College of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing Jiangsu 210016,China ) Abstract:The urban traffic is a complex large system,actual and accurate traffic flow prediction can provide scientific support for urban traffic guidance and control.Ensemble learning is introduced to improve the general ability of classical Group Method Of Data Handing (GMDH )algorithm.The short-term traffic flow model was built based on improved GMDH algorithm.Experimental results indicate that the average relative error of the model is 1.10%,and the relative error of prediction is 0.58%.Thus,this model is an efficient method to the short-term traffic flow forecasting. Key words:intelligent traffic system;short-time;traffic flow;Group Method of Data Handing (GMDH);prediction 0一引言近些年来,随着智能交通系统(Intelligent Transport System,ITS)的蓬勃发展,智能交通控制与诱导系统已经成为ITS 研究的热门核心课题,而实现该系统的关键是实时准确的短时交通流量预测[1],即有效利用历史数据和实时交通信息去预测未来一段时间的交通流量三目前关于交通流量预测的模型较多,其中传统的统计算法模型有历史平均模型二自回归滑动模型二移动平均模型二线性回归模型二卡尔曼滤波模型[2]等,这类模型考虑因素相对简单,计算较为简便,具有静态稳定的优点,但是不能准确反映交通流过程的动态特征;基于人工智能技术的模型的典型代表为人工神经网络[3]模型,该模型具有较强的动态非线性映射能力;最后是组合预测模型,即把几种模型按某种方式组合,以充分发挥各单项模型的优点,从而提高预测精度三 GMDH(Group Method of Data Handling)[4]模型属于人工智能模型,它是由乌克兰科学院Ivakhnenko 院士在1967年提出并发展起来的一种启发式自组织建模方法,也是自组织数据挖掘(Self-Organizing Data Mining,SODM)方法的核心算法三该方法能够有效地对复杂多变量系统进行辨识,预测结果良好三GMDH 算法建模能够根据输入二输出变量原始的信息构造出模型,从而进行自选择三GMDH 算法建模是用多项式处理数据,在结构上有自组织二全局优选的特性,因此GMDH 非常适合用于复杂系统的建模,但是GMDH 方法建模有时得到的模型泛化能力较差三 1一短时交通流量特性交通流量是指单位时间内通过道路某一地点或某一断面的实际车辆数,又称交通量三交通系统是由人二车辆和道路共同作用的复杂系统,人们出行行为的总体规律性及城市道路网络通行条件的实际约束决定了交通流量具有随时间和空间不断变化的特征[5]三一般认为,短时交通流量的时间间隔不超过15min [6]三短时交通流量的特性主要表现为动态变化性二时间相似性和空相似性三 1)动态变化性三城市道路的交通流量是由交通需求二路网条件二交通管理控制方案二公共交通出行比例二信息诱导等共同作用的结果,所以交通流量时刻在变化三 2)时间相似性三在对交通流的研究中发现,相同路段以周为周期的交通流量曲线,相似程度最高,规律性最强[7]三因此,可以把历史数据分为两类:工作日(星期一至星期五)交通流量数据和周末(星期六二星期日)交通流量数据三 3)空间相关性三城市道路交通系统是一个非常复杂的网状结构,多个路段的交通流量之间存在密切的相互联系三相关路口的交通流量在多种因素的影响下存在空间相关性三 Journal of Computer Applications 计算机应用,2015,35(S1):101-103,134一 ISSN 1001-9081 CODEN JYIIDU 一 2015-06-20 https://www.sodocs.net/doc/785820970.html,

交通流预测

目录摘要.............................................................. I I 绪论. (1) 一、单因素方差分析 (1) 1.1单因素方差分析简介 (1) 1.2单因素方差分析模型 (2) 二、单因素方差分析的应用 (3) 2.1问题叙述 (3) 2.2模型假设 (4) 2.3符号说明 (4) 2.4模型的建立与求解 (5) 三、模型评价与推广 (17) 参考文献 (18) 致谢.............................................. 错误！未定义书签。

摘要本文研究的是估算当车道被占用时对城市道路的通行能力影响程度，并且通过本次研究分析为交通管理部门正确引导车辆行驶、审批占道施工、设计道路渠化方案、设置路边停车位等提供理论依据。根据观测数据，结合数学软件，采用应用交通流波动理论与数据分析相关方法对事故所处横截面通行能力变化进行分析，以及占道不同对横截面通行能力的影响的说明。对于问题一，我们提取了视频1的交通调查数据，并进行了预处理，对本文中一些需要用的专有名词进行定义，初步的对事故发生横断面实际通行能力变化进行分析，得到横截面实际通行能力变化是周期性振幅可变的运动。对于问题二，我们观察了视频2进行了类似的处理，然后运用SASV8进行描述统计分析和以占用车道的变化进行单因素方差分析，最后得到检验p 值为 0222.0，对于所占车道不同对该横断面实际通行能力影响有显著性差异，并检验了同时置信区间至少95%置信度下，2u 比1u 大。对于问题三，建立基于交通流理论的交通事故影响路段车辆排队长度计算模型，以流体动力学为基本原理，模拟流体的连续性方程，建立车流的连续性方程。由事故持续时间的长短分三种情况，建立起路段车辆排队长度与事故横断面实际通行能力、事故持续时间、路段上游车流量间的关系。对于问题四，我们针对问题三所建立的模型对视频1进行了更深层的数据调查与处理，并运用题设数据对模型进行求解，得到结果0.2016h 1 T 。关键字：实际通行能力单因素方差分析交通流理论

交通流量的预测

小交通分析 1、道路交通量分析拟建道路为城市支路，道路车型比较表如1-1。规定：车流量昼间按16小时计算，车流量夜间按8小时计算，夜间车流量按昼间的10%计算，高峰小时车流量按全天24小时交通量的10%计算，依据项目设计单位提出的高峰期交通预测值，得出拟建道路车流量小时流量预测结果如表1-2。建设期安排：运营期安排：交通预测从运营期开始预测，a为道路的交通设计年限，车包含非机动车。 2、交叉口交通量分析：道路交叉口交通流量流向对道路所在区域的路网存在着较大的影响，同时交叉口的交通情况反映道路的服务水平。 1）道路交叉口类型：拟建道路为双向N1车道，道路等级：城市X路。平交道路XX路为双向N2车道，道路等级：城市X路。拟建道路与规划（现状）XX路平交，为“十”（“T”）字型交叉口。拟建道路在该交叉口依据道路红线规定，拟定采用X进口道，Y出口道。 2）道路交叉口交通组织采用：交叉口东口：为XX路采用绿化带（隔离栏）进行机非分隔，路面具有较详

细的标线，机动车道进口道n1个，出口道n2个，非机动车进、出口道各1个。交叉口西口：交叉口南口：交叉口北口： 3）交通状况分析拟建道路交叉口依据相邻的交叉口交通流量情况，可用于待建交叉口分析，即拟定待建交叉口与相邻交叉口交通流量情况一致。相邻交叉口现状分析：通过实地观察，机动车与非机动车高峰小时交通量发生在08:00~09:00（17:00~19:00），为上（下）班时段。推测：拟建交叉口高峰时流量数据如下表：表1-3 图1：XX路与XX路交叉口交通流量流向示意图

4）交叉口控制状况方案一：交叉口拟定采用两相位定时信号控制，信号阶段图如下图所示：优点：缺点：方案二：交叉口拟定采用X相位定时信号控制，信号阶段图如下图所示：优点：缺点：方案一与方案二的比较

XX市道路交通流量分析与预测系统

目录第1章总体描述 (1) 1.1 建设背景 (1) 1.2 建设目标 (1) 第2章现状及需求分析 (2) 2.1 现状 (2) 2.2 存在问题分析 (2) 2.3 需求分析 (2) 第3章系统设计方案 (3) 3.1 系统架构 (3) 3.1.1 技术架构 (3) 3.1.2 系统部署设计 (4) 3.2 功能设计 (5) 3.2.1 功能架构图 (5) 3.2.2 流量统计 (6) 3.2.3 流量对比 (6) 3.2.4 流量预测 (6) 3.2.5 行程分析 (6) 3.2.6 流向分析 (6) 3.2.7 交通状态预警预报 (6) 3.2.8 交通出行特质分析 (7) 3.2.9 交通运行现状评价功能 (7) 3.3 业务流程说明 (8) 3.4 数据库设计 (8) 3.4.1 数据库表汇总列表 (8) 3.4.2 数据库表结构设计 (10) 3.4.3 系统接口 (14) 3.4.3.1 与流量采集系统之间的系统接口 (14) 3.4.3.2 与外部流量应用系统的接口 (14) 第4章软件和硬件设备配置 (15) 4.1 硬件配置依据 (15) 4.1.1 软件所需（事务处理能力）TPC的计算 (15) 4.1.1.1 数据库服务器 (15) 4.1.1.2 应用服务器 (15) 4.1.1.3 WEB服务器 (16) 4.1.2 存储空间设计 (16) 第5章系统配置清单 (17) 5.1 硬件设备清单 (17) 5.2 应用软件清单 (18)

第6章投资估算 (18) 6.1 应用软件 (18) 6.2 系统软件 (19) 6.3 硬件 (19)