随着经济的发展和城市规模的扩大,高速公路的运营管理面临更高的要求和挑战。交通系统是一个巨系统,具有显著的复杂性、动态性、随机性等特点,准确地预测交通流量是智能交通系统的关键所在。本文主要研究了高速公路短时段交通流的预测和控制问题,为高速公路控制设计提供数据挖掘服务。 在交通流预测方面,针对交通流的非线性、复杂性等特点,本文通过对各类预测方法的分析总结,得知诸如线性回归之类的线性模型不适合解决此类问题,而相空间重构技术、神经网络等智能理论为解决此类建模和系统仿真提供了有利的工具。本文首先分析了交通流的混沌特性,采用时间延迟技术重构出与原系统几何上等价的相空间。目前提出的重构算法在具体实现过程中均存在矛盾,本文通过固定时间窗口的方法来确定时间延迟和嵌入维数以实现相空间重构。同时建立了改进加权一阶局域算法模型,根据与参考点相似的相点演化规律不断调整权值,实现高速公路交通流单步甚至多步预测。在利用神经网络建立预测模型时,本文根据交通流的历史相似性提出了两种预测方案,建立模型的难点是隐层单元数和调节率的确定。两者对网络预测精度和收敛速度有很大的影响,此处采用遗传算法对改进的BP网络预测模型进行寻优。通过两类方法的对比分析得到,本文得出利用遗传算法优化的神经网络模型能够较好的预测交通量。 在高速公路的控制方面,选取了入口匝道控制的方式。本文综述了模糊控制和神经网络,建立了高速公路入口匝道控制的数学模型,把模糊控制和神经网络的算法结合起来实现入口匝道的智能控制。该算法可以在线调节模糊神经网络参数以适应不同的交通流状况,易于扩展,且有很好的适应性。