快速路小时交通量组合预测方法的研究和实现毕业设计.doc

摘 要 解决交通问题智能交通系统(Intelligent Transportation System，简称ITS)智能交通系统SVM方法BP神经网络Elman回归神经网络用融合数据技术综合对预测进行处理，选取适当的权值最大程度的发挥各个模型的优点，分散单个预测模型的不定性总体的性用单一模型预测不能得到的信息，预测并得出最优预测结果，比较预测结果的精度证组合的性。交通流预测；支持向量机；BP神经网络；Elman神经网络；组合模型 Abstract Intelligent transportation system (ITS) has been proposed to solve the traffic problems. In this subject, SVM method, BP neural network method and Elman recurrent neural network method are used to predict the traffic volume per hour of the expressway at first. And combination forecasting method that use the technology of fusion data is adopted to process the generated prediction value generated by the three methods above Comprehensively at last, then, (we can) select appropriate weights to maximize the play of each model’s advantage in a large extent, disperse the instability of the single prediction model, improve the overall uncertainty. In addition, some information that can not be gotten by many single model forecasting is obtained, comparing the accuracy of the value that obtained by the four prediction models, then the superiority of the combination model is proved. Keywords: traffic flow forecasting; support vector machine; BP neural network; Elman neural network; combination forecasting model 目 录 摘 要 1 Abstract 2 第1章 绪论 5 1.1 选题背景 5 1.2 研究目的和意义 5 1.3 文献综述 6 1.4 论文的主要内容 7 第2章 基于支持向量机的快速路小时交通量预测 8 2.1 支持向量机的简介 8 2.2 支持向量机理论 8 2.2.1 关于最优分类面的概述 8 2.2.2 非线性回归的支持向量机算法 9 2.3 核函数分类及选取 10 2.4 采用支持向量机方法预测交通量的步骤 10 2.5 快速路小时交通量预测的仿真 10 2.6 本章小结 14 第3章 基于BP神经网络的快速路小时交通量预测 15 3.1 BP神经网络概述 15 3.2 BP神经网络算法 15 3.3 应用BP算法预测交通量的步骤 17 3.4 基于BP算法的交通量预测仿真 17 3.5 本章小结 20 第4章 基于Elman神经网络的快速路小时交通量预测 21 4.1 Elman神经网络的概述 21 4.2 Elman神经网络算法 21 4.3 Elman神经网络的模型及其预测交通量的步骤 22 4.4 基于Elman算法的交通量仿真 23 4.5 本章小结 26 第5章 基于多模型融合的快速路小时交通量组合预测 27 5.1 组合预测概述 27 5.1.1 组合预测必要性 27 5.1.2 组合预测优势 27 5.2 基于多模型融合的组合预测算法 27 5.3 组合预测有效性的评价 28 5.4 基于多模型融合的组合预测方法进行交通流预测仿真 29 5.5 本章小结 33 结 论 34 参考文献 35 致 谢 36 第1章 绪论 1.1 选题背景 近年来社会的发展对交通的需求，交通问题逐渐为困扰社会的问题不仅对人们的日常生活造成了很大的影响，而且也对国家的经济造成了大