基于小波变换-灰色马尔可夫模型短时交通流预测.docVIP

基于小波变换-灰色马尔可夫模型短时交通流预测 　　摘要：交通流预测是建立交通诱导系统的核心技术，也是建立智能交通系统的重要方面。对于短时交通流的预测，现在已经有很多分析和研究。通过阐述小波变换的基本原理以及Mallat分解与重构算法、灰色马尔可夫预测模型的基本理论及方法，并提出了一种Matlab环境下基于Db-5小波变换的灰色马尔可夫的短时交通流组合预测模型 关键词：交通流预测小波变换灰色模型加权马尔可夫预测模型 Keywords:traffic flow prediction;wavelet transform;GM(1,1);Markov’s chain Model with weight 中图分类号：P28文献标识码：A 1 概述 交通流预测是交通诱导系统和交通控制系统的重要前提与关键。交通流量预测是交通分析的主要功能之一，它能为实时自适应信号控制系统和动态交通分配系统提供流量预测信息。 道路交通系统的不确定性给交通流量预测尤其是短时交通流量预测带来了很大的困难。国内外关于交通流动态预测理论的研究目前还处于发展阶段，本文在总结已有成果的基础上，提出了一套组合模型预测的方法：基于小波变换的灰色马尔可夫组合模型，这种模型是在Matlab环境下完成的。 2 小波变换 小波变换具有多分辩分析(Multi-Resolution)的特点，能够通过伸缩和平移，实现对信号的多尺度细化分析（MultiscaleAnalysis）；它可以由粗及精的逐步观察信号，而且在时域频域都具有表征信号局部特征的能力，所以被誉为分析信号的“显微镜”。小波分解与重构算法【1】 （1） 上式的第一部分是的低频分量，即近似部分；第二部分是高频分量，即细节部分。设在尺度j（或）下的低频分量即近似部分为，高频分量即细节部分为 ，则根据（1）可得： （2） 单支重构是对近似部分和细节部分分别进行重构，即在对某一分支进行重构时将其它分支置零。重构即为分解的逆运算，重构公式为： （3） 小波变换主要是利用Matlab环境下所提供的小波工具箱来实现。尺度选择：直接观察利用Matlab小波工具箱进行小波分解与重构后的数据波形曲线，近似信号部分和细节部分的图形相对平稳，则此时可以结束分解，其分解次数就是分解尺度【2】【3】，本文尺度选择为5。本文选用db5小波,利用Mallat算法进行尺度N为5层的金字塔式分解，分解前后曲线如图1所示。与利用db2、db9小波进行分解与重构得到的图像（如图2及3所示）进行比较。通过比较分析可以发现，利用db5小波分解得到的第五层细节部分要比利用db2、db9得到的细节部分的曲线更光滑，故本文选db5小波作为母小波。 图1利用db5 进行小波分解 图2利用db2 进行小波分解 图3利用db9小波分解 图 4 原始数据序列与单支重 构后第一层近似部分 比较 利用mallab算法对分解后的的曲线进行单支重构，重构后第一层近似信号，与原始交通流数据曲线相比（如图4），可以发现重构后曲线比原始数据曲线平滑。 3 灰色－马尔可夫预测模型 应用灰色一马尔可夫链方法进行预测的基本思路是:对经过小波分解与单支重构后得到的交通流数据序列A1先建立灰色GM(1,1)模型，求出其预测曲线Y(k)，再以平滑的预测曲线Y(k)为基准，划分若干动态的状态区间，根据落入各状态区间的点，计算出马尔可夫转移概率矩阵预测未来状态，从而得出预测值区间，取区间中点，最终得到精度较高的预测值。 3.1 GM(1,1) 预测模型 GM(1,1)模型预测主要是对原始数据序列利用AGO生成进行趋势化，然后建立微分方程，具体步骤如下【4】【5】： （1）进行AGO生成新数据序列进行趋势化 原始数据序列为＝ 进行累加生成得新数列： （2）GM(1,1)建立白化微分方程―――对建立一阶线性微分方程 （4） 其中为待辨识参数。 （3）最小二乘原理求解辨识参数 构造函数（5）， 对利用最小二乘原理，即，可以得到a，u （4）求GM（1，1）模型的解建立时间响应模型 获得辨识参数以后，结合一阶线性微分方程，可求得模型的解 （6） 结合灰色――马尔可夫预测模型的基本思路,并根据GM(1,1)基本理论,编写M文件gm.m,只需输入需要处理的原始交通流数据,就可以得出拟合值及预测值。运行M文件可以得到 , 交通流预测模型为 表1 编号D21-D30 信号周期的交通流实测值与GM预测值 实际值与预测值折线比较如图5，由表1及图4可以看出,截止到目前的预测过程是合格