详情

原文传递基于数据挖掘的短时交通流预测模型及应用研究

论文题名：	基于数据挖掘的短时交通流预测模型及应用研究
关键词：	数据挖掘;短时交通流预测;数据质量控制;BP神经网络;投影寻踪技术;组合模型;畅通状态
摘要：	实施交通诱导及控制的前提与关键是交通流的实时、有效预测，目前虽然交通流信息预测相关工作已经取得了一些成效，但部分问题仍待进一步深入、全面地探讨和研究。　　本论文以国家高技术研究发展计划（863计划）项目专题“空间数据挖掘的神经网络技术研究”（项目批准号:2007AA12Z228）为依托，围绕交通流信息数据采集、数据预处理、数据挖掘、交通模型及其工程应用等方面展开研究。在采集获取交通流信息数据基础上，充分利用数据挖掘技术，构建了准确可靠、方便适用的预测模型，并将其应用于工程实践，研究取得了一些成果，具有一定的理论意义和应用价值。主要研究内容如下: 　　首先，对交通流数据的质量检验进行了研究和分析。从工程实际应用的角度出发，对采集获取的大量交通流信息数据进行质量分析，分析了交通流数据异常值产生的原因，深入解析冗余数据、缺失数据、异常数据对交通流数据应用的不良影响。根据数据控制理论与方法，综合运用统计分析、阈值法，结合交通流理论及数据采集情况对数据进行独立判断、联合判断与系统判断，构建了交通流数据预处理流程，建立了有效的交通流数据质量检验与诊断控制系统，并编写出相应的数据处理软件，对冗余数据进行删除、对缺失数据进行插补、对异常数据进行修正，以确保数据的准确性，为后续的预测模型研究奠定了良好的数据基础。　　其次，对短时交通流预测的神经网络模型进行了研究。综合讨论了数据挖掘的BP神经网络技术的优点与现存的不足，针对神经网络结构存在的缺陷，采用附加因子的附加动量方法和自动调整学习速率的自适应学习速率法对BP神经网络进行了改进。深入研究了神经网络的网络结构与参数设置，在此基础上编写出神经网络应用软件，并简要介绍了该软件的使用方法。将多元线性回归模型、改进BP神经网络模型及两者的组合模型应用于短时交通流预测实例，并且提出了用原始数据减去均值后所得差值作为输入层元素数据。经过改进后的数据输入模式，多元线性回归模型、BP神经网络模型及两者形成的组合模型等三种模型都较先前原始数据直接作为输入参数的方法效果好，为短时交通流量预测提供了新的思路和途径。　　再次，对短时交通流预测的投影寻踪模型进行了研究。系统地介绍了在预测领域取得较好效果的投影寻踪技术，详细讨论了软件的技术路线和设计流程，利用计算机编程技术将该算法实现，并简单介绍了该软件的使用方法;综合利用投影寻踪技术和神经网络的优点，提出了运用神经网络和投影寻踪技术相结合的方法，建立了组合模型应用于路段短时交通量的实时预测模型，并且选用实测所获交通流数据进行实验验证，预测结果显示:“投影寻踪+神经网络”组合模型较单一的投影寻踪方法、BP神经网络模型预测精度都要高，预测效果令人满意，具有一定的实用性和可行性。　　最后，对交通畅通状态评价模型及其应用进行了研究。在已有研究成果的基础上，探讨了道路畅通程度的模糊评估这一课题，提出了修正改进的模糊综合评价模型。在修正模型中，简化对畅通度的隶属函数描述，将畅通度作为一个模糊事件，采用简单的线性函数描述从“不畅通”状态过渡到“非常畅通”状态，使畅通度与道路畅通概率之间为一一对应的关系。并将建立的改进模型运用于道路畅通可靠评价实例中，研究结果显示该改进模型具有很多优点，获取相关路段或路网的交通畅通状态信息，给交通管理部门和出行者提供信息服务，可用于工程实践。
作者：	刘元林
专业：	交通运输工程
导师：	胡伍生
授予学位：	博士
授予学位单位：	东南大学
学位年度：	2012
正文语种：	中文