基于数据挖掘的短时交通流预测及辅助诱导

《基于数据挖掘的短时交通流预测及辅助诱导》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、基于数据挖掘的短时交通流预测及辅助诱导中文摘要近年来，短时交通流预测成为ITS研究的热门课题。准确实时的短时交通流预测是实现交通控制与管理、交通事件检测和交通流诱导的前提及关键；是使智能交通系统从“被动式反应”转变到“主动式动作”的关键。对于单点交通流预测，现有的各种算法都有其特定的应用条件，需要建立“无参数”、可移植的、预测精度高的算法。对于路网交通流预测，主要采用基于OD的动态交通量分配算法，但OD难以检测和预测。出行者的出行行为难以确定，算法优化时间过长，需要建立实时的路网交通流预测算法。基

2、于上述背景，结合数据挖掘技术，本文开展四个方面的研究：1)基于数据挖掘的交通流数据过滤算法本文提出在综合结合阀值和交通流机理的算法的基础上，采用基于时间和空间检验的错误交通流数据剔除算法：同时提出基于时间序列方法，并综合考虑交通事件的丢失数据估计算法。2)基于数据挖掘的单点实时交通流预测算法首先对现有的非参数回归预测算法进行三点改进：基于相关分析和自相关分析的状态向量的选取：基于密集度的变K历史数据搜索方法；基于动态聚类和散列函数的历史数据组织方式。接下来结合上述算法，通过对一天的平均交通流进行基

3、于数据挖掘的算法分析，提出基于不同时段的综合预测方法。3)基于数据挖掘的路网实时交通流预测算法首先对路网中各路段的交通流数据进行的各种基于数据挖掘的算法分析，得出路段流量之间的相关关系和路段流量之间的关联规则。然后基于这些关系和规则提出一种新颖的实时的路网流量预测算法。4)基于CBR的交通流辅助诱导算法这部分研究内容是上述内容的延伸。为了提高目前诱导算法的实时性，本文将CBR(CaseBasedReasoning)应用于辅助诱导。通过搜索与当前路网状态即“当前事件”的相似的“历史事件”来确定诱导方

4、案。关键词：智能交通系统，短时交通流预测，数据挖掘，交通流数据过滤，非参数回归，CBR，交通流辅助诱导Short-termTrafficFlowForecastingandRoutingbasedonDataMiningAbstractRecently,short-timetrafficflowforecastingbecomesaresearchhotspot，becauseonlywithrealtimeandaccuratepredictoftrafficflow，canassuretraf

5、ficcontrol、eventdetectionandtrafficrouting．Foranintersection,thereexistssomealgorithms．buteachhasitsspecialappliedsituation．SoaNewkindofalgorithmwith‘‘noparameter”、portabilityandhighaccuracyisinneed．Foratrafficnetwork，Sofarmanyalgorithmshavebeenpropos

6、ed，butproblemsinaccuracyandtimelinessstillremaintObethemajorobstaclefortheirSuccessfuIapplications．Forexample，presumedhumantraveIhabitandvehicleturningprobabilitiesatintersectionshavegreatlylimitedtheuseofdynamicassignmentalgorithm．Basedondataminingte

7、ch，thispaperfollowingresearches：1、TrafficdatascreeningalgorithmbasedondataminingConsideringvalvevalueandtrafficflowtheory，thispaperproposedakindofscreeningmethodbasedonspaceandtimeverification．Consideringeffectoftrafficevent，thispaperproposedakindofes

8、timationforlostdatabasedontimeseries．2)SinglepointtrafficflowforecastingbasedondataminingFirstthreeimprovementsarcputforwardwhichareeffectivetrafncstatevectorselectionmethodbasedonself-associationanalysisandassociati012analysis、improvedvariabl