原文传递
基于RVM和ARIMA的短时交通流量预测方法研究
| 论文题名： | 基于RVM和ARIMA的短时交通流量预测方法研究 |
| 关键词： | 交通流量;预测方法;自回归积分滑动平均模型;相关向量机 |
| 摘要： | 随着城市现代化进程不断推进和机动车保有量不断增长，城市交通拥堵问题日趋严重，很大程度上增加居民出行成本和时间，成为亟需解决的社会问题。实现城市智能化交通管理与控制被视为缓解城市交通拥挤、减少机动车尾气排放、降低交通事故率等问题的有效方法之一。短时交通流量预测是智能交通管理与控制的核心内容，也是交通信息服务重要基础，可作为交通决策的关键依据，同时可也为交通出行提供有效地路径选择信息。因此开展短时交通流量预测方法研究是准确把握交通参数态势变化的基础性工作。 为降低短时交通流量随机波动性对预测精度影响，进一步改善短时交通流量预测效果，本文首先在明确短时交通流量定义的基础上，分析短时交通流量在不同时间尺度合并方法，结合不同时间尺度下短时交通流量时空图，对短时交通流量时间序列具备的长期趋势性、短期现势性、随机波动性等特性进行剖析；然后，提出一种基于RVM的可有效降低短时交通流量随机波动性降噪方法，详细设计该降噪方法步骤和工作流程，并对评价指标进行选取，通过仿真验证该降噪方法有效性；其次，在分析短时交通流量时间序列平稳性基础上，提出一种基于RVM和ARIMA的短时交通流量预测方法，详细设计该预测方法实现流程，并引入平均绝对相对误差（MAPE）作为该预测方法误差评价指标；最后，以某城市道路视频识别数据为实例，验证本文构建短时交通流量降噪方法和预测方法的有效性。 本文研究结果表明：在不同公用时间尺度（5min、10min、15min）下，本文提出基于RVM的短时交通流量降噪方法有效地降低短时交通流量随机波动性，本文构建基于RVM和ARIMA的短时交通流量预测方法的平均绝对相对误差均小于直接运用指数平滑模型、BT神经网络模型、ARIMA模型等经典预测方法对应的平均绝对相对误差，说明本文提出的预测方法有效地提高短时交通流量预测精度。 |
| 作者： | 韦凌翔 |
| 专业： | 交通运输规划与管理 |
| 导师： | 陈红 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
