∑△adc结构究与设计实践.pdf

摘要 实时的短时交通流预测是城市交通控制与诱导的基础，也是智能交通系统的 重要功能之一。目前研究发现，没有一种预测模型和方法能够适用于各种环境和 条件下的交通流预测，进一步提高预测准确率的主要途径应该是从预测策略方面 的研究。 将“机理+辨识”预测策略应用到短时公路交通流预测中，研究线性组合预 测最优权重，并用某高速公路3分钟短时交通流观测数据进行数值试验。 研究内容和结果如下： (1)运用数理统计学，从理论上推导出线性组合预测的最优组合权重公式。 特别地，采用稳健统计等理论，通过数学推导和仿真试验初步证明了简单平均法 是极优的一种线性组合预测权重方法，但简单平均法一般不是最优的。 (2)采用连续小波变换、非线性时间序列分析等技术，通过分析该短时交通 流的数学性质，初步分析了其预测准确率。 (3)采用支持向量回归模型、BP人工神经网络模型、径向基人工神经网络模 型、指数平滑模型(一次、二次)和时间序列预测法中的自回归模型、动平均模 型(一次、二次)对该短时交通流进行预测，得到8种单一预测结果。 (4)将稳健统计技术、探索性数据分析技术引入到线性最优组合权重系数计 算中来，共得到16组权重系数。通过误差分析、数值试验初步证实了上述线性 组合预测的最优组合权重公式的正确性。 研究表明：“机理+辨识”预测策略中的多种预测结果合成，除了采用现有的 组合预测方法外，还应该采用更灵巧的稳健统计技术、探索性数据分析技术、重 抽样技术，以达到对复杂时间序列指定特征优化的多结果合成。 关键词：短时交通流预测“机理+辨识”预测策略组合预测最优权重支持向 量机BP神经网络ImF神经网络 ABSTRACT TberealtimefIorecast for short—tenn昀mcflowisthe foundationofurb锄仃amc corltr01and isalso guidaIlce，w11ichoneof m洳缸1ctiolls It’s studies systems．proVedby thatnoneof modelscan forecastillg domillatet11e othersinall cMef situatiolls．Therefore，tlleto way the of inlproveaccuracv Inustbethe forecaSting on of study sn．ategiesforecastiIlg． Applied“mechanismmodel+identi6cation toshort．tenn model’’strategy nIamc now forecastiIlg，studiedoflinear optilTlal combiIlation weights forecasting，anddid 砌n舐caltest wimobsen，ed dataofone