随机信号分析与生活.docx

随机信号分析与处理时研究随机信号的特点及其处理方法的专业基础课程，时目标检测、估计、滤波等信号处理的理论基础，在通信、雷达、自动控制、随机振动、图像处理、气象预报、生物医学、地震信号处理等领域有着广泛的应用，随着信息技术的发展，随机信号分析与处理的理论将广泛和深入。交通短时交通流预测对城市交通流控制与诱导系统的发展具有着重要的意义，预测结果的好坏将直接影响到城市交通流控制与诱导的效果。因此，短时交通流预测对智能交通系统来说至关重要。1目的本文以提高短时交通流预测为研究目的，构建了基于马尔科夫理论的短时交通流预测模型，在此基础上，针对短时交通流的非线性非平稳特性，本文分别提出了马尔科夫-BP 神经网络模型和小波-马尔科夫-BP 神经网络模型。2论文的主要内容（1）鉴于感应线圈检测器获得的数据存在错误、冗余等质量问题，本文通过孤立点挖掘技术检测出异常数据，利用“相邻时间段数据求平均”的方法对数据进行修复，解决了数据的质量问题，并利用改进的小波去噪方法对交通流数据进行了降噪处理，降噪处理之后的交通流数据更能反映出交通流的真实特性。（2）考虑到短时交通流量的非线性特性，本文提出了基于马尔科夫-BP 神经网络理论的短时交通流组合预测模型，利用 BP 网络强大的非线性映射能力和误差修正思想，滚动预测未来的交通数据信息。相比单纯的马尔科夫模型，马尔科夫-BP 神经网络模型的预测效果更好。（3）由于短时交通流时间序列具有非平稳特征，本文引入了小波分析方法，建立了小波-马尔科夫-BP 神经网络的组合模型。该模型利用了小波分析方法对交通流时间序列进行了多分辨率分析，经过分解之后的交通流时间序列能够体现出更多的细节信息，更加适用于具有非平稳特性和非线性特性的短时交通流预测。实验结果表明这三种模型均能取得较好的预测结果，相比较而言，基于小波-马尔科夫-BP 神经网络的组合模型预测效果最佳。关键词：智能交通系统、马尔科夫模型、BP神经网络、小波变换、短时交通流3引言近些年来，随着国民经济和交通事业的高速发展，机动车数量急剧增加。由此引发的交通问题也引起了广泛的关注。其中一个严重的交通问题是交通事故，交通事故会造成人员伤亡和财产损失，由交通事故引发的死亡人数占据了各种事故造成的死亡人数的 90%以上，其造成的危害甚至已经超过普通的自然灾害。另一个严重的交通问题则是交通堵塞，交通堵塞会严重影响行车速度，这不仅浪费人们宝贵的时间，还污染了环境，因为低速行驶的车辆对燃油的需求会大量增加，继而排放大量尾气，造成了环境的污染。无论是交通事故还是交通堵塞都给社会带来了巨大的负担，如何能够减轻交通问题带来的社会压力已经成为了全球共同关注的难题。对于如何解决这些交通问题，主要有两种途径。其一是加大交通基础设施建设的投资（如拓宽道路，修建高架等）；其二是在相应的技术指导下合理地使用现有的交通基础设施，发挥他们的最大作用，要达到这个目的，智能交通系统 (Intelligent Transportation System，简称 ITS)是根本措施之一。目前，世界各国都在大力发展智能交通系统，希望利用高新技术系统来缓解交通问题带来的社会压力。ITS 是在较为完善的基础设施上，把传感技术、计算机技术、信息技术和数据通信技术有效地集成并应用于地面传输系统，使其在广大区域内可以高效地、准确地、即时地传输信息。ITS 中的一个重要组成部分是交通流诱导系统，交通流诱导系统的建设可以有效地提高道路利用率、保证交通安全并减少不必要的能源浪费，从而达到减少交通事故、降低环境污染、缓解交通堵塞等问题的目的。交通流诱导系统普遍使用感应线圈检测器（Inductive Loop Detector）来检测实时交通流量，感应线圈检测器具有易于安装、维护成本低、使用寿命长、适用于在大范围内检测等优点。但是尽管如此，感应线圈检测器也只能检测到实时数据，具有滞后性。然而实现交通流诱导系统的关键在于利用相应的技术对未来的交通状况进行预测，以有效地对车辆进行疏导。所以，从实际需求的角度来看，对城市道路短期交通流量进行预测是必要的，从技术和理论上来讲也是可行的。这类方法是建立在解析数学的基础上，依据未来的交通状况与过去的交通状况相似的特性来预测未来的交通流量，同时还需要利用到大量的交通历史数据。这些方法主要包括多元线性回归模型[5](Multivariable Linear Regressive Model)、时间序列模型[6](Time Series Model)、卡尔曼滤波模型[7](Kalman Filtering Model)、马尔科夫模型预测法[8](Markov Chain Model)等。（1）多元线性回归模型(Multivariable Linear Regressive Model)4马尔科夫预测