1、内容简介

略
438-可以交流、咨询、答疑

2、内容说明

智能交通系统的宗旨,就是利用丰富的交通检测数据,对未来的交通流状态进行预测,对于最大效率的利用快速路资源,减少出行者时间,减少快速路交通拥挤与交通事故。短时交通流预测是道路交通控制系统、交通流诱导系统等领域需要解决的首要问题之一。研究短时交通流预测的理论和方法,从而实现比较准确地预测未来分钟甚至更短时间的道路交通流状况,对于缓解城市交通堵塞、避免社会资源浪费有着重要的意义和应用价值。本文以城市道路网络中典型的两相邻交叉口为研究对象,考虑交叉路口过去若干时刻的交通流量与上游路口相关转向的交通流量,建立了以小波分解的模型进行第一步预测,再结合神经网络进行第二步预测的混合预测方法。通过分析城市路口交通流样本数据的特点,短时交通流表现出强烈的非线性、时变性、不确定性,以及与上游路口交通流的相关性。单一的预测方法很难达到预测精度的要求,因此,本文提出将交通流数据先进行“频率”分解,首先利用小波变换将交通流数据进行滤波,将各种不确定因素造成的交通流突变的成分按照频率段过滤到个频段上,得到一个基本数据序列以及个不同频段的干扰信号数据序列,这样分解后的各组数据都成为成分相对简单、数据变化比较平稳的数据列。然后利用模型对不同频段上的分解数据分别进行预测,再将各序列预测结果相加得到第一步预测。最后结合上游路口相关转向的交通流量用神经网络进行第二步预测,得到精度较高的总体交通流预测结果。

关键词：短时交通流预测,AR模型,神经网络,混合预测

3、仿真分析

clear,clc,close all
data = xlsread('四天17点至20点交通流量数据.xlsx');
time = data(:,1);
flow = data(:,2);
num = length(time)/4;
figure
plot(time(1:num),flow(1:num))
title 第一天17点至20点交通流量数据
xlabel 时间/5min
ylabel 流量
set(gcf,'color','w');
set(gca,'box','off');
figure
plot(time(num+1:num*2),flow(num+1:num*2))
title 第二天17点至20点交通流量数据
xlabel 时间/5min
ylabel 流量
set(gcf,'color','w');
set(gca,'box','off');
figure
plot(time(num*2+1:num*3),flow(num*2+1:num*3))
title 第三天17点至20点交通流量数据
xlabel 时间/5min
ylabel 流量
set(gcf,'color','w');
set(gca,'box','off');
figure
plot(time(num*3+1:num*4),flow(num*3+1:num*4))
title 第四天17点至20点交通流量数据
xlabel 时间/5min
ylabel 流量
set(gcf,'color','w');
set(gca,'box','off');% y = iddata(flow(num*3+1:num*4),[],5*60);
% mb = ar(y,4,'burg')
% EstMdl = estimate(mb,time(num*2+1:num*3)); % y is your data
%% 第一天17点至20点交通流量数据
num = length(time)/4;
order = 6;
y1 = flow(1:num); y2 = flow(num+1:num*2); 
y3 = flow(num*2+1:num*3);  y4 = flow(num*3+1:num*4); 
model1 = ar(y1, order, 'burg', 'Ts', 5*60, 'IntegrateNoise', false)
p1_1=predict(model1,y2);
p1_2=predict(model1,y3);
p1_3=predict(model1,y4);
figure
plot(y2)
hold on
plot(p1_1)
hold off
figure
plot(y3)
hold on
plot(p1_2)
hold off
figure
plot(y4)
hold on
plot(p1_3)
hold off

 

4、参考论文

略