探析基于数据挖掘和数据融合的短时交通流预测研究

《探析基于数据挖掘和数据融合的短时交通流预测研究》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、重庆交通大学硕士学位论文基于数据挖掘和数据融合的短时交通流预测研究姓名：高为申请学位级别：硕士专业：交通信息工程及控制指导教师：陆百川20101212摘要实时、准确的短时交通流预测是智能交通控制与管理的基础。基于单一时间维度时间序列的预测方法难以解决短时交通流高度复杂性、随机性和不确定性的问题，预测效果并不令人满意。交通流的状态转换不仅仅是时间维度时间序列的一维性，空间分布状态的变化对交通流也起了相当大的影响。因而，更为精确的短时交通流预测，需要采用空间维度的预测值对时间维度时间序列的预测结果进行修正。本文从短时交通流特

2、性出发，针对实际交通流具有时间维度时间序列性和空间维度空间相关性，提出了基于时空二维融合的短时交通流预测方法。在时间维度上短时交通流表现出强烈的非线性、时变性和不确定性，普通的预测方法很难达到预测精度的要求，因此，本文提出将交通流数据利用小波变换先进行“频率"分解和单支重构，得到相应的高频分量和低频分量，得到的分量相对成分简单、信号变化较为平稳。对各分量采用不同的预测方法进行预测，由高频分量有较强的非线性而BP神经网络具有很强的非线性逼近能力，故用BP神经网络预测高频分量；低频分量呈现较有规律的函数曲线，故用二次指数平滑

3、预测。将各分量预测结果矢量相加求和，即可得到综合预测结果。在空间维度上，交通流瞬时状态下的空间分布具有相关性，同向交通流的瞬时输出和其空间相关路段的交通流量相关，针对这种不确定的非线性关系，本文用RBF神经网络来进行空间维度的短时交通流预测。最后，利用信息融合技术能合理协调多源数据，充分综合有用信息，在较短的时间内、以较小的代价、得到使用单个传感器所不能得到的数据特征的优点，将基于时间维度时间序列的预测结果和空间维度空间相关性的预测结果进行实时最优权重融合，得到预测精度更高的总体短时交通流预测结果。关键词：短时交通流预测

4、；小波变换；二次指数平滑；BP神经网络；RBF神经网络；信息融合ABSTRACTThecontrollingandmanagementofintectlencetrafficisbasedonthereal-timeandaccurateforecastingofshort-termtrafficflow．Basedonasingletimedimensiontimeseriesforecastingmethodsaredifficulttosolvethetrafficflowahighdegreeofcomplexi

5、ty,randomnessanduncertaintiesofthepredictedeffectisnotsatisfactory．Statetransitionoftrafficflowisnotonlythetimedimensionofone—dimensionaltimeseries，spatialdistributionoftrafficflowchangesalsoplayedaconsiderableimpact．Thus，themoreaccurateshort—termtrafficflowforec

6、asting,weneedapredictivevalueofspacedimensiontimeseriesdimensionoftimetoamendtheforecastresults．Thisdeparturefromthetrafficflowcharacteristics，foratimeseriesofrealtrafficflowcharacteristicsandspatialcorrelation，wasproposedbasedontwo··dimensionalspace-·timeintegra

7、tionoftheshort·-termtrafficflowforecastingmethods．Intheshorttimedimensionoftrafficflowontheperformanceofastrongnon—linear,timeariabilityanduncertainty,thegeneralpredictionisverydifficulttoachievepredictionaccuracyrequirements，therefore，theproposedtrafficflowdataw

8、illbecardedoutusingavelettransform”frequency’’decompositionandsinglereconstruction，thecorrespondinghighfrequencyandlowfrequencycomponents，componentbycomponenti