论文部分内容阅读
当今社会城市化水平不断提高,车辆的数目也随之迅速增长,大量的汽车进入人们的日常生活,同时也带来了交通拥堵、污染等问题。交通流预测作为智能交通管理系统的核心之一,不仅影响人们对交通流管控的决策,更是保障路网高效运转的关键。在对现有理论方法进行研究和分析后,本文利用交通流数据中的时空相关性、非线性以及道路结构的网状特性,分别对单一道路以及路网的短时交通流预测开展相关研究。论文的主要研究工作如下:(1)道路短时交通流预测研究:针对单一模型难以全面分析交通流复杂特性的缺点,本文提出一种组合预测模型——SARIMA-RF模型。从交通流的时空相关性角度分析,将流量数据划分为带有明显趋势的周期性部分和随机波动部分。最后通过对比实验表明该模型的先进性和有效性;(2)路网数据压缩方法研究:由于路网中的交通数据庞大,同时对所有检测点的流量进行预测会造成计算资源的浪费,进而影响预测系统的实时性。针对这一问题,本文提出基于MI和CX分解的路网数据压缩方法。利用标准化的MI值以及设定的分组阈值挑选出具有代表性的检测点,最终构造成具有少量列的压缩矩阵C;(3)路网短时交通流预测研究:道路中多个路段构成的网状结构使得交通流数据表现出复杂的道路网时空相关性和非线性,因此本文提出DCGRU-RF短时交通流预测模型。将交通流模型转化为有向图上的扩散过程,利用DCGRU网络捕获时空相关性,学习交通流数据中的潜在特征,最后结合预测器RF得出流量预测值。(4)针对流量预测需求,设计路网短时交通流预测系统的整体架构、功能结构和数据库相关数据表,利用上述模型方法得出预测结果并可视化展示。实验结果表明本文提出的两种预测模型在预测精度上优于其他常见模型。本文提出的路网数据压缩算法能在保证预测精度的基础上,有效简化路网结构,降低计算难度。