基于馬爾科夫模型的短時(shí)交通流預(yù)測(cè)研究.pdf

1、短時(shí)交通流預(yù)測(cè)對(duì)城市交通流控制與誘導(dǎo)系統(tǒng)的發(fā)展具有著重要的意義，預(yù)測(cè)結(jié)果的好壞將直接影響到城市交通流控制與誘導(dǎo)的效果。因此，短時(shí)交通流預(yù)測(cè)對(duì)智能交通系統(tǒng)來(lái)說(shuō)至關(guān)重要。
　　本文以提高短時(shí)交通流預(yù)測(cè)為研究目的，構(gòu)建了基于馬爾科夫理論的短時(shí)交通流預(yù)測(cè)模型，在此基礎(chǔ)上，針對(duì)短時(shí)交通流的非線(xiàn)性非平穩(wěn)特性，本文分別提出了馬爾科夫-BP神經(jīng)網(wǎng)絡(luò)模型和小波-馬爾科夫-BP神經(jīng)網(wǎng)絡(luò)模型。
　　論文的主要內(nèi)容如下：
　?。?）鑒于感應(yīng)線(xiàn)

2、圈檢測(cè)器獲得的數(shù)據(jù)存在錯(cuò)誤、冗余等質(zhì)量問(wèn)題，本文通過(guò)孤立點(diǎn)挖掘技術(shù)檢測(cè)出異常數(shù)據(jù)，利用“相鄰時(shí)間段數(shù)據(jù)求平均”的方法對(duì)數(shù)據(jù)進(jìn)行修復(fù)，解決了數(shù)據(jù)的質(zhì)量問(wèn)題，并利用改進(jìn)的小波去噪方法對(duì)交通流數(shù)據(jù)進(jìn)行了降噪處理，降噪處理之后的交通流數(shù)據(jù)更能反映出交通流的真實(shí)特性。
　　（2）考慮到短時(shí)交通流量的非線(xiàn)性特性，本文提出了基于馬爾科夫-BP神經(jīng)網(wǎng)絡(luò)理論的短時(shí)交通流組合預(yù)測(cè)模型，利用BP網(wǎng)絡(luò)強(qiáng)大的非線(xiàn)性映射能力和誤差修正思想，滾動(dòng)預(yù)測(cè)未來(lái)的交通

3、數(shù)據(jù)信息。相比單純的馬爾科夫模型，馬爾科夫-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果更好。
　?。?）由于短時(shí)交通流時(shí)間序列具有非平穩(wěn)特征，本文引入了小波分析方法，建立了小波-馬爾科夫-BP神經(jīng)網(wǎng)絡(luò)的組合模型。該模型利用了小波分析方法對(duì)交通流時(shí)間序列進(jìn)行了多分辨率分析，經(jīng)過(guò)分解之后的交通流時(shí)間序列能夠體現(xiàn)出更多的細(xì)節(jié)信息，更加適用于具有非平穩(wěn)特性和非線(xiàn)性特性的短時(shí)交通流預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明這三種模型均能取得較好的預(yù)測(cè)結(jié)果，相比較而言，基于小波-馬