基于非参数回归的短时交通流量预测

摘要

近年来，随着智能交通系统的蓬勃发展，交通控制和交通流诱导成为智能交通系统(ITS)研究的热门问题，而实现交通控制诱导的关键问题是实时准确的短时交通流量预测，预测的精度和实时性直接影响到交通控制和诱导的效果。 鉴于道路交通系统本身的非线性和复杂性，以及交通流量变化的不确定性，在实际中很难找到精度较高的表征交通流特征的数学模型，因此无模型的因果预测法更能适应短时交通流量的预测，其中的非参数回归更是成为研究的热点。 基于上述背景，本文开展了下面三个方面的研究： 1.基于改进K近邻非参数回归的短时交通流量预测针对现有K近邻非参数回归方法的局限，为了进一步提高算法的精度和速度，结合相关性理论以及聚类分析的思想，做出了两方面的改进：考虑路网内其它路段流量对预测路段流量的影响并利用相关性理论选择状态向量和采用基于聚类分析的变K近邻搜索算法。 2.基于模式识别的非参数回归算法及其在短时交通流量中的预测结合模式识别的思想，在非参数回归的基础上，提出了基于模式识别的非参数回归算法，并将之应用于短时交通流量预测。 3.基于综合预测算法的短时交通流预测通过对模拟路网的交通流进行分析，针对不同时段的交通流特点，提出基于不同时段的综合预测方法，进一步提高了算法的性能。 在论文的最后，用仿真试验检验了各种算法的有效性。实例研究结果表明，改进K近邻非参数回归预测精度最好，基于模式识别的非参数回归运算速度最快，而综合预测算法达到资源占用率和预测精度之间的更好匹配。

目录

文摘

英文文摘

声明

前言

第一章交通流量预测方法综述

1.1交通流理论简述

1.2现有交通流量预测方法综述

1.3本章小结

第二章非参数回归

2.1非参数回归的优点

2.2非参数回归的主要因素

2.3非参数回归在交通流预测中的应用

2.4本章小结

第三章K近邻非参数回归在交通流预测中的应用

3.1算法步骤

3.2对状态向量定义的改进-基于相关性分析的状态向量定义

3.3对K近邻搜索的改进-基于聚类分析的变K近邻搜索

3.4改进的K近邻非参数回归算法流程

3.5本章小结

第四章基于模式识别的非参数回归在交通流预测中的应用

4.1模式识别理论

4.2基于模式识别的非参数回归算法步骤

4.3对模式向量定义的改进-基于自相关性分析的模式向量定义

4.4对近邻搜索的改进-基于密集度的变K近邻搜索

4.5基于模式识别的非参数回归算法流程

4.6本章小结

第五章短时交通流量预测的仿真实现及分析

5.1交通流仿真软件

5.2短时交通流量预测的仿真实现

5.3两种非参数回归预测方法的分析和评价

5.4本章小结

第六章短时交通流量预测的综合算法

6.1时段的划分

6.2备选预测方法

6.3综合预测算法的仿真研究

6.4综合算法的分析和评价

6.5本章小结

结束语

参考文献

发表论文和参加科研情况说明

致谢