高速公路網(wǎng)短時交通狀態(tài)預(yù)測研究.pdf

1、隨著社會的不斷發(fā)展，高速公路已經(jīng)成為一個國家經(jīng)濟(jì)快速發(fā)展的重要保障，然而高速公路交通安全和擁擠堵塞問題也逐漸成為全世界關(guān)注的難題。智能交通系統(tǒng)中的智能控制與實時誘導(dǎo)系統(tǒng)可以有效緩解交通擁堵、減輕環(huán)境污染、提供高效安全的高速公路通行狀況，然而實現(xiàn)這些的前提和關(guān)鍵是能夠?qū)Χ虝r交通狀態(tài)進(jìn)行準(zhǔn)確的預(yù)測。因此，本文重點研究高速公路短時交通狀態(tài)預(yù)測問題，并將其劃分為兩個子問題，一是利用歷史交通數(shù)據(jù)進(jìn)行短時交通參數(shù)的預(yù)測，二是利用得到的預(yù)測交通參數(shù)值

2、進(jìn)行交通狀態(tài)判別，這樣間接地實現(xiàn)了短時交通狀態(tài)預(yù)測。
　　本文首先研究了短時交通參數(shù)預(yù)測問題。已有的工作將基于時間序列預(yù)測以及機(jī)器學(xué)習(xí)的模型和算法應(yīng)用于短時交通參數(shù)預(yù)測，但這些靜態(tài)模型要求輸入為定長的歷史數(shù)據(jù)，不能動態(tài)確定最優(yōu)歷史交通數(shù)據(jù)長度，導(dǎo)致預(yù)測效果不夠理想。為解決該問題，本文提出了一種基于長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，利用模型記憶塊中三個乘法單元的長時記憶功能，可以動態(tài)確定最優(yōu)歷史數(shù)據(jù)長度進(jìn)行預(yù)測，以得到更好的效果。使

3、用美國加州高速路網(wǎng)交通數(shù)據(jù)進(jìn)行分析建模并與已有的經(jīng)典預(yù)測模型進(jìn)行對比，驗證了本文提出的預(yù)測模型有更高的預(yù)測準(zhǔn)確度、良好的擴(kuò)展性和長時記憶歷史數(shù)據(jù)的能力。
　　在交通參數(shù)預(yù)測的基礎(chǔ)上，本文研究了交通狀態(tài)判別問題。由于交通數(shù)據(jù)受異常的噪聲數(shù)據(jù)影響比較嚴(yán)重，已有工作使用交通流理論和模式識別對交通狀態(tài)進(jìn)行判別的方法不能有效地抵抗噪聲數(shù)據(jù)，導(dǎo)致判別結(jié)果不夠理想。為此，本文提出了基于可能性模糊C-均值聚類的交通狀態(tài)判別模型，該模型引入了典型性