1 概述
根据小波分析具有良好的时频分析特性,将短时交通流时间序列进行尺度分解,将其分解到不同的尺度空间,并进行单支重构,得到相应的高频分量和低频分量,所得分量相对成分简单、数据变化平稳。对各分量采用不同的预测方法进行预测,由自相关函数和偏相关函数的截尾性和拖尾性判断,高频分量采用ARMA模型进行预测;低频近似分量由于呈现较有规律的函数曲线,而神经网络具有很强的非线性逼近能力,所以采用GRNN网络进行预测。将各分量预测结果矢量相加求和,即可得到综合预测结果。
2 运行结果
3 参考文献
[1]王娟. 短时交通流量混合预测方法研究[D].长安大学,2007.
本文主要研究短时交通流量的混合预测方法,所用数据为高速公路实时采集数据,但对城市道路交通流数据同样适用。首先说明了短时交通流预测的重要意义以及目前存在的各种交通流预测方法;分析了短时交通流的特点,针对短时交通流非线性、时变性、复杂性的特点,传统的预测方法已经不能很好的满足预测精度的要求,本文提出两种交通流量混合预测方法。 方法一:根据小波分析具有良好的时频分析特性,将短时交通流时间序列进行尺度分解,将其分解到不同的尺度空间,并进行单支重构,得到相应的高频分量和低频分量,所得分量相对成分简单、数据变化平稳。对各分量采用不同的预测方法进行预测,由自相关函数和偏相关函数的截尾性和拖尾性判断,高频分量采用ARMA模型进行预测;低频近似分量由于呈现较有规律的函数曲线,而神经网络具有很强的非线性逼近能力,所以采用GRNN网络进行预测。将各分量预测结果矢量相加求和,即可得到综合预测结果。 方法二:很多国内外研究结果表明,交通流具有混沌特性。计算交通流时间序列混沌特征参数,判断本文交通流序列具有混沌性,所以可以采用混沌时间序列预测法进行交通流预测。由自相关函数法确定延迟时间τ、根据G-P算法确定嵌入维数m,并重构相空间,得到与原系统相似的新的状态空间。然后把得到的新状态空间的各分量与神经网络相结合,将其作为RBF网络的输入,通过网络学习训练,输出分量即是最终的预测结果。 由MATLAB仿真效果图和仿真性能指标可以看出,本文提出的两种混合预测方法预测精度很高,可以达到交通流实时控制与诱导的基本要求。
部分理论引用网络文献，若有侵权请联系博主删除。
