基于路况数据交通流预测模型及其对比的分析

《基于路况数据交通流预测模型及其对比的分析》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、中图分类号：U491UDC：656学校代码：10004密级：公开北京交通大学专业硕士学位论文基于路况数据的交通流预测模型及其对比分析ComparisonandAnalysisofDifferentTrafficFlowForecastingModelsBasedonRoadConditionData作者姓名：戎亚萍导师姓名：毛保华学号：11125564职称：教授工程领域：交通运输工程学位级别：工程硕士北京交通大学北尿父趟大字2013年6月致谢两年时光，匆匆而逝，研究生对我来说是一个重要的人生转折点，更是一笔弥足珍贵的财富。在踏入团队

2、的第一天起，毛保华教授严谨的治学作风、科学的工作方法和乐观向上的生活态度都给我带来了极大的帮助和影响。无论是在科研工作中还是日常接触中，毛老师总是把学生视若子女般关怀和爱护，他的教导总是提纲挈领而又形象生动，一针见血的看出症结所在。在论文完成之际，要特别向我的导师毛保华教授表示最衷心的感谢!感谢孙全欣书记，在2年的学习和工作中，孙书记总是幽默风趣又亲切和蔼，不仅指导我们做学问，而且指导我们学做人，在此向孙书记表示衷心的谢意!感谢我的校外指导教师，北京交通发展研究中心交通模型部部长刘剑锋博士。在他的细心指导下，才圆满完成了我的校外实习

3、，通过此次实习，锻炼了我将理论运用于实践的能力，在此向刘剑锋博士表示衷心的谢意!感谢陈绍宽副教授，本论文的选题、资料收集、方法选取等都是在陈绍宽副教授的指导下完成的，他严谨的治学态度使我受益匪浅，在此向陈绍宽副教授表示衷心的谢意!感谢实验室的师兄师姐们，特别是永亮师兄在忙于自己的博士论文撰写时仍耐心的帮我解决算法问题，感谢许奇师兄对论文的结构、撰写方法上给予的实用而且中肯的指导，感谢旭杰师兄、蒋洋师兄、冯佳师姐、宇婷师姐等不厌其烦的帮我解决论文中的细节问题，让我深深的感受到了团队的温暖，衷心的感谢你们!感谢在读研期间和我愉快相处的同

4、届兄弟姐妹们，韦伟、周亿迎、周洋帆、王秀丹、王琳、李歆鑫、魏国静、李明高、王菲、豆甜甜、李智娟、郭一唯都给予了我很大的支持和鼓励，在我迷茫困惑之际，他们的支持使我坚定了信心。在此表示衷心感谢!感谢我的宿舍好友和同班同学们，每当我意志消沉时，都是你们在给我加油打气，马上我们就要分离在五湖四海，我会永远铭记我们一起奋斗、一起疯狂的欢乐日子。另外也感谢我的家人和刘博士，他们的理解和支持使我能够在学校专心完成我的学业，并将科研之路一直走下去，感谢你们。感谢各位专家学者在论文评审过程中所提出的宝贵意见。再次向我的导师以及所有关心、帮助过我的老

5、师、同学和我的家人致以衷心的感谢和美好的祝愿!中文摘要交通流预测技术是智能交通管理系统的核心，是实现智能交通控制与诱导的基础。准确的交通预测信息对于指导人们进行路径选择，节约出行时间，缓解道路拥堵，减少尾气污染、节约能源等有重大意义。随着技术的发展，交通流预测模型已数量众多，研究的重点已从建立新模型转移到选择模型。本论文基于交通流基本理论和交通流预测方法，分别运用ARIMA模型、神经网络模型和非参数回归模型对两个不同路段的早高峰、午平峰和晚高峰的路况数据建立模型进行预测，最后，论文运用五种评价指标对比分析了三种模型的效果差异，得出了

6、不同模型的优缺点和适用范围。本文的研究工作和结论如下：(1)对某城市快速路全年的路况数据进行分析，说明了交通流数据在波动趋势上具有周相似性，在时问序列上具有传承性，同时具有动态不确定性。(2)对样本进行丢失数据识别和错误数据修复。分别运用机理法和阈值法识别丢失数据和错误数据，并用相邻若干时段的平均值修复数据，建立样本数据库。(3)运用ARIMA模型对不同时段的路况数据建模预测。阐述了建模过程中的平稳性和随机性检验、差分平稳化、模型识别、参数估计、诊断检验等步骤，用软件实现了仿真。结果表明，ARIMA模型适用于平稳的路况预测。(4)运

7、用神经网络方法进行预测。研究了建模过程中的数据归一化处理，选取激活函数、构造训练数据和测试数据等过程，实验确定了网络的拓扑结构，仿真实现了预测。结果表明，神经网络的预测效果取决于训练数据的大小。(5)运用非参数回归方法进行预测。阐述了建模过程中选取状态向量、设定相似机制的过程，实验确定了近邻值的个数，仿真实现了预测。结果表明，非参数回归方法在三种方法中的预测效果最好。(6)建立评价指标体系。定义五种评价指标：绝对误差、误差分布概率、模型可移植性、模型可操作性和其他误差来综合对比分析了不同模型的预测效果，在对于平稳性的路况进行预测时，

8、三者差异不大，但对于波动剧烈的路况，非参数回归方法具有相对最优的预测效果。关键词：交通流预测；ARIMA模型；神经网络；非参数回归；评价指标分类号：U491ABSTRACTABSTRACTTrafficflowforecastingi