基于灰色预测模型的短期交通流预测研究

《基于灰色预测模型的短期交通流预测研究》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、西南交通大学硕士学位论文基于灰色预测模型的短期交通流预测研究姓名：蔡岩申请学位级别：硕士专业：交通信息工程及控制指导教师：戴齐20090601西南交通大学硕士研究生学位论文第1页摘要短时交通流预测是智能交通控制与管理，交通流状态辨识和实时交通流诱导的前提及关键。但到目前为止，它的研究结果都不尽人意。存在模型运算复杂，运算时间长，需要大量历史数据，预测精度不高等缺点。因此研究短期交通流预测具有一定的现实意义。本文在对现有短期交通流预测模型对比分析及交通流特性研究分析基础上，确立了本文的研究目标：建立一个能够克服现有模型缺点的短期交通流预测模型。

2、近年来，灰色预测模型以其算法简单，所需数据少，运算时间短的优点受到交通流预测研究人员的青睐。本文对现有灰色预测模型进行了研究分析及总结，提出了不同交通量原始数据情况下的两种灰色交通流预测模型。并通过实验验证了模型的有效性。主要工作如下：1、对于只具有被测路段少量历史交通量数据的情况下，本文在深入分析了影响常规GM(1，1)模型精度的因素上，提出了一种基于背景值改进的GM(1，1)短期交通流预测模型。此模型不仅可以应用于低增长序列，同时还可以应用于高增长的序列。通过与其它模型的比较分析，验证了本文改进模型的有效性，并通过Matlab7．0仿真实

3、验验证了采用等维递推方法的改进模型更适用于短期交通流预测，有更好的预测效果。2、对于不仅具有被测路段少量数据且具有该被测路段上下游交通量数据的情况下，本文在深入学习研究灰色预测模型的基础上，建立了一个兼顾考虑上下游交通流量的MGM(1，n)短期交通流预测模型。并通过实验验证了模型的有效性以及其实用性。一方面拓展了MGM(1，n)模型的使用范围，一方面验证了兼顾考虑上下游交通流量的模型更适用于短期交通流的预测，其较只考虑被测路段历史数据的模型有更好的预测效果。关键词：智能交通系统；交通流预测；灰色预测模型西南交通大学硕士研究生学位论文第lI页A

4、bstractShort—termtrafficflowforecastingisthepremiseandkeyofintelligenttrafficcontrolandmanagement，identificationofthestateoftrafficflowandreal—timetrafficflowinduced．ButSOfar,itsresultsareunsatisfactory．Previousmodelsofpredictionoftrafficflowhavesomedisadvantagesthatthetime

5、ofoperationistoolong，alargeamountofhistoricaldataisrequiredandtheprecisionislow．Sothestudyofshort—termtrafficflowforecastinghasacertainpracticalsignificance．Basedoncomparativeanalysesoftheexistingshort—termtrafficflowforecastingmodelsandresearchofcharacteristicsoftrafficflo

6、w,thisthesisestablishesgoals：themodelsestablishedCanremedytheshortcomingsoftheexistingshort—termtrafficflowforecastingmodels．Inrecentyears，thegreypredictionmodelisfavoredbythetrafficflowpredictionresearchersowingtOsimpleralgorithm，lessrequireddataandcomputingtime．Basedonana

7、lysesandsummariesoftheexistinggreypredictionmodel，thethesispresentstwogreypredictionmodelsoftrafficflowondifferenttrafficfloworiginaldata．Andtheyarecertifiedeffectivethroughtheexperiments．M句orjobsareasfollows：1．Foronlyasmallnumberofmeasuredsectionsofthehistoricaltrafficdata

8、，thethesisproposesashort-termtrafficflowpredictionmodelwhichimprovesthebackgroundv