论文部分内容阅读
城市交通流诱导系统是智能交通系统重要内容之一,它把人、车、路有机的统一起来,通过交通流的动态分配,有效的防止交通阻塞,减少交通事故与环境污染。在城市交通流诱导系统中,检测器检测到的流量历史数据只能表征过去的交通流运行状态,若应用于未来短时的诱导策略,则导致决策的滞后,可见,交通流预测的重要性。对于无检测器路口的交通流量预测研究,一般借鉴经典的预测方法,预测精度较低。针对这一现状,本文提出无检测器路口交通流量预测模型研究与算法研究的任务,目的在于提高预测精度和减少模型参数求解时间。由于已有历史数据资料有限,本文借鉴以往的因果分析回归预测法,结合模糊理论与遗传算法内容,提出了两种新的综合预测方法。本文首先介绍了因果分析回归预测方法、经典回归预测模型和模糊回归预测模型,归纳了不同回归模型的求解算法,并进行了MATLAB编程环境下的算法实现。通过对经典回归理论与模糊回归理论的研究,本文提出了基于岭回归与改进模糊最小二乘模型的综合方法。该方法把无检测器路口上下游的有检测器路口交通流量和无检测器路口交通流量历史数据作为预测因子,采用岭回归分析挑选影响无检测器路口交通流量的关键因子作为模型的输入变量,同时,由于交通流量人工观测数据的模糊性,采用比精确模型更符合实际的改进Diamond模型,最后,通过交通流量预测实验,与Tanaka的LP方法及累加法进行比较,结果表明该综合方法具有更高的预测进度。通过对模糊最小一乘模型与遗传算法的研究,本文又提出了遗传算法与模糊最小一乘回归相结合的GA-FLAD算法,并采用MATLAB的遗传算法工具箱对新算法进行了交通流量的预测应用。应用研究结果表明模糊最小一乘方法比经典的方法更具稳健性,而遗传算法求解模糊最小一乘估计值与传统的累加法,穷举法相比,计算精度高,运算时间短。