导读:本文包含了短时交通流特性论文开题报告文献综述及选题提纲参考文献，主要关键词:交通流预测,混沌理论,3D形函数插值,回声状态网络
短时交通流特性论文文献综述
王硕[1]（2019）在《基于特性分析的短时交通流预测方法研究》一文中研究指出随着我国社会经济的高速发展,城市化水平不断提升,机动车保有量急速增长,城市交通拥堵、交通安全和环境污染问题日益严重。作为解决城市交通问题最有效的方法之一,智能交通系统(Intelligent Traffic System,ITS)受到了世界范围内的广泛关注。交通控制和诱导作为ITS的核心应用,在缓解交通拥堵、提升交通安全和降低环境污染方面发挥着重要作用,而实现交通控制和诱导的基础在于实时准确的交通流预测。在交通流预测研究领域,国内外学者提出了大量具有开拓性和创新性的交通流预测方法。但由于研究重点多集中在模型和算法的优化上,较少考虑交通流数据自身特性,故难以在精度和稳定性上有所突破。因此本文在深入分析交通流数据的基础上,提出适应交通流特性的预测模型,实现实时准确的交通流预测,为交通控制和诱导提供基础。首先,在总结相关研究现状的基础上,对城市快速路的交通流特性进行分析。根据交通流的时空相关性,使用3D形函数时空插值方法进行缺失和错误数据的修复,以减小因异常数据产生的预测误差。根据交通流的混沌特性,使用相空间重构方法进行预测模型输入集的构造,以避免主观选择模型输入带来的误差。其次,在判别交通流混沌特性的基础上,引入回声状态神经网络,并使用相空间重构的数据建立了交通流预测模型。实验结果证明,与传统交通流预测模型相比,该模型精度更高。为解决模型超参数选择的难题,引入思维进化算法搜索回声状态网络的最优储备池参数组合。实验证明该算法不易陷入局部最优,通过该算法改进的回声状态网络具有更高预测精度。最后,针对交通流数据因剧烈波动而难以被准确预测的问题,在上述研究的基础上,建立了基于分解与重构的交通流预测模型。从数据结构的角度出发,将具有自适应分解能力的经验模式分解方法运用于交通流预测,从而将波动率大、非平稳的交通流序列转化为较为平稳的分解序列,增强其可预测性。实验证明该方法能够大幅提升交通流预测的精确度。同时,针对单一流量输入包含信息有限的问题,提出了基于多变量分解与重构的交通流预测模型。该模型根据交通流叁参数的相关关系,将速度和占有率数据转换为理论流量数据,并将理论流量与实际流量进行分解与重构后共同作为预测模型输入,实验证明该方法可进一步提升交通流预测精度。图56幅,表20个,参考文献92篇。(本文来源于《北京交通大学》期刊2019-06-01）
蔡翠翠,王本有,常志强[2]（2019）在《基于时空特性和灰色神经网络的短时交通流预测》一文中研究指出为了提高城市道路短时交通流的预测精度,提出一种基于时空变化特性和灰色神经网络的短时交通流预测模型。通过对道路短时交通流时间和空间特性的分析,将预测路段与相邻路段进行灰色关联度分析,深度挖掘道路交通流的空间信息,并利用灰色神经网络组合模型对预测路段进行短时交通流预测。以合肥市的道路实测数据进行实例分析,结果表明,相比单一时间序列预测模型,该方法有效提高了道路短时交通流的预测精度。(本文来源于《沈阳理工大学学报》期刊2019年02期）
李扬[3]（2018）在《基于时空特性的短时交通流预测模型研究》一文中研究指出随着城市化进程的加快,城市道路交通拥堵问题日益严重。智能交通系统在交通管理与控制方面表现出的良好效果,需要准确、实时地短时交通流信息作为支撑,因而建立高效的短时交通交通流预测模型具有重要意义。现有研究多基于单一断面的历史数据进行交通流预测,忽视了上下游交通流造成的影响。本文基于交通流时间和空间特性分析,将交通流守恒方程进行时空离散化,建立了基于时空特性的短时交通流预测模型。主要研究内容如下:首先,阐述短时交通流预测的背景和意义,将现有预测方法进行详细分类,并对每一类方法的研究现状做出了文献综述。介绍了本文研究的技术路线、章节安排和研究内容。其次,定义交通流基本参数,推导时间占有率和密度的关系式,阐述城市交通流影响因素。基于基本图和叁相交通流理论研究,将交通流划分自由流、拥挤流和堵塞流叁种状态。交通流数据处理技术采用阈值法识别异常数据,利用相邻数据平均法对异常数据进行修复。然后,自由流状态下,分析交通流的时间特性,对于不平稳时间序列采用C-C算法求解相空间重构参数并进行相重构;通过计算皮尔逊相关系数来分析空间特性,结果表明预测断面交通流受上游交通流影响,并基于经典交通流参数模型建立了分段路阻函数。结合交通波理论,借鉴求解偏微分方程方法对交通流守恒方程进行时空离散化,建立短时交通流预测模型。利用流量-占有率函数关系,建立短时交通流预测状态空间模型,并采用卡尔曼滤波法进行求解。采用北京市快速路交通流数据进行实证研究,分别对2分钟、4分钟、6分钟数据间隔进行交通流预测,最终确定2分钟为最佳预测时间间隔,并证明相空间重构后模型具有更好预测效果。最后,堵塞流状态下,分析交通流时间序列为平稳序列;皮尔逊相关系数计算结果表明,预测断面交通流同时受到上下游交通流的影响。类比堵塞状态交通流预测的时空节点分布,参照偏微分方程二阶精度差分格式将交通流守恒方程时空离散化,建立交通流预测模型。结合流量-占有率函数关系,建立状态空间模型,采用卡尔曼滤波法对模型求解。采用北京市快速路交通流数据进行实证研究,通过多个时间间隔数据预测结果对比,确定2分钟为最佳预测时间间隔,并证明了所建立模型在交通流预测中具有良好的效果。(本文来源于《北京建筑大学》期刊2018-06-01）
李莉杰,舒勤[4]（2017）在《基于时空特性的高速路短时交通流预测》一文中研究指出为提高高速路短时交通流预测的准确度,建立了一种基于时空相关分析和BP神经网络的短时交通流预测方法,首先,通过分析高速路网上下游断面间的时空相关性和空间互相关性,选取与预测目标相关性较大的历史时段和相关断面。然后,将各相关断面交通流时间序列与其时间延迟序列进行重构,选取历史时段和重构后的相关断面作为BP神经网络预测模型的输入。利用四川省某高速路数据对该预测方法进行性能评价,实例证明该方法与只考虑高速路时间特性或空间特性的预测模型相比具有更高的预测精度,提高了交通流预测的实时性和可靠性。由此可见,该方法可作为高速路短时交通流预测的有效手段。(本文来源于《数字技术与应用》期刊2017年03期）
邱世崇[5]（2015）在《基于时空特性的城市道路短时交通流预测研究》一文中研究指出交通信号控制和交通流诱导系统是智能交通系统(ITS)的核心课题,实现交通控制和交通诱导系统功能的关键是实时准确交通流预测信息。交通流预测信息可直接送到先进的交通信息系统(ATIS)和交通管控系统(ATMS),为出行者提供实时有效的出行信息,提高城市交通管控水平。交通流预测一直是许多相关领域的研究热点。现有短时交通流预测主要针对单断面交通流时间序列数据变化规律进行分析,基于统计模型、非线性理论、智能算法或将几种模型进行组合得到预测模型,存在预测精度不高、难以适应短时交通流变化的非线性和不确定性等问题。针对以上问题,本文以城市道路交通流时空特性为着手点,深入分析了城市道路交通流的时间特性和空间特性,将空间邻近路段交通流影响考虑进短时预测,结合基于时间序列数据预测方法稳定性好和空间相关估计预测非线性强的特点,提出了同时考虑研究路段实时及历史交通流数据和空间相关路段交通流数据的预测方法,提高了短时交通流预测精度。首先,分析了交通流时间特性,将动力学特性分析方法应用于短时交通流时间特性分析,具体介绍了交通流时间特性和短时可预测性判别方法。引用叁种基于不同理论的短时交通流预测方法,给出各方法数学模型和算法步骤,实验案例,分别对2min、6min和12min叁种统计周期交通流进行预测,对比预测结果评价指标,分析了各预测模型的适用性。其次,分析了城市道路交通流空间分布特性和相关性,借鉴无检测器路段交通参数估计思想,分析了利用空间邻近检测数据对目标路段交通流预测的可行性。提出了利用多元逐步线性回归模型对目标路段交通流进行空间估计预测的方法。考虑到交通系统的时变性,结合卡尔曼滤波理论最优估计思想,设计了基于卡尔曼滤波的短时交通流空间预测方法。实验仿真,验证了所提方法的有效性。最后,在城市道路交通流时空关联特性分析基础上,提出了两种同时考虑目标路段交通流时间序列数据和空间邻近道路交通流数据的预测方法。一种是利用最小二乘动态加权融合算法,将基于目标路段时间序列数据预测结果和基于空间相关流量数据预测结果进行融合,输出最终结果;另一种是将卡尔曼滤波优化的k近邻算法应用于短时交通流预测,初始用多元线性回归对定义的状态变量赋以权值,利用卡尔曼滤波递归最优估计原理,根据研究路段实时采集数据对状态变量权值在线更新,以适应交通状态的变化。实验案例,对比单一基于时间序列数据和空间相关数据的预测方法,验证了所提方法的优越性。(本文来源于《重庆交通大学》期刊2015-04-25）
邱敦国,兰时勇,杨红雨[6]（2014）在《基于时空特性的短时交通流预测模型》一文中研究指出根据交通流的历史周期性和空间相关性,文中综合SARIMA模型在历史周期性预测上的优势和RBF模型在空间相关性预测上的优势,提出了SARIMA-RBF模型.该模型采用SARIMA模型通过历史数据预测下一时刻的交通流,然后将预测值与该点上下游关联的交通流数据相结合,采用RBF神经网络模型得出输出值,并将该输出值作为SARIMARBF模型对下一时刻交通流的预测结果.实验结果表明,该模型因同时考虑了交通流的历史周期性和空间相关性,相比SARIMA模型和RBF模型具有更好的交通流预测效果.(本文来源于《华南理工大学学报(自然科学版)》期刊2014年07期）
张洪宾,孙小端,贺玉龙[7]（2014）在《短时交通流复杂动力学特性分析及预测》一文中研究指出为揭示短时交通流的内在动态特性,利用非线性方法对交通流混沌特性进行识别,为短时交通流的预测提供基础.基于混沌理论对交通流时间序列进行相空间重构,利用C-C算法计算时间延迟和嵌入维数,采用Grassberger-Procaccia算法计算吸引子关联维数,通过改进小数据量法计算最大Lyapunov指数来判别交通流时间序列的混沌特性.针对局域自适应预测方法在交通流多步预测中预测器系数无法调节的问题,提出了交通流多步自适应预测方法.通过实测数据计算,结果表明:2,4和5 min叁种统计尺度的交通流时间序列均具有混沌特性;改进的小数据量法能够准确地计算出最大Lyapunov指数;构建的交通流多步自适应预测模型能够有效地预测交通流量的变化.为智能交通系统诱导和控制提供了依据.(本文来源于《物理学报》期刊2014年04期）
许伦辉,游黄阳[8]（2013）在《基于特性和影响因素分析的短时交通流预测》一文中研究指出可靠的短时交通流预测是智能交通系统的重要基础。为了提高短时交通流预测的预测精度和对于不同交通状态的适应性,在分析了交通流特性以及时空二维影响因素的基础上,提出了一种组合预测模型,使其能够综合反映这些特性和影响因素。该组合预测模型包括时间序列模块、空间相关模块和组合预测模块叁个子模块。单项预测模型包括自适应单指数平滑模型和RBF神经网络模型,组合系数是以两个单项预测子模块的平滑百分比相对误差作为输入,以神经网络作为学习算法自适应地得到。最后通过平峰和高峰时段实测的交通流量数据来验证模型的有效性和可靠性,结果表明:该组合预测模型的预测精度高于单项预测模型各自单独使用时的精度,且对于不同的交通流状况具有较好的适应性。(本文来源于《广西师范大学学报(自然科学版)》期刊2013年01期）
高为,陆百川,贠天鹂,谭伟[9]（2011）在《基于时空特性和RBF神经网络的短时交通流预测》一文中研究指出针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。(本文来源于《交通信息与安全》期刊2011年01期）
唐德华[10]（2010）在《短时交通流特性及状态转变研究》一文中研究指出智能交通系统的控制和诱导需要对道路交通流进行快速、准确的预测,因此短时交通流预测是智能交通系统的核心内容,而短时交通流特性分析是研究其预测性的基础,同时由于交通系统是一个有人参与的、时变的、复杂的非线性大系统,使得交通系统的运行状态及拥堵的发生不断变化,从而给短时交通流预测带来了一定的难度,因此对短时交通流特性分析及运行状态变化的研究显得十分必要。本文首先阐述了短时交通流特性及状态转变的国内外研究现状,引入了相空间重构理论,并对相空间重构中嵌入维数和延迟时间两参数的选取方法进行了论述,分别介绍了单变量和多变量递归图和定量递归分析方法,同时介绍了国外先进的交通数据采集系统,从此系统上获得了论文的原始数据,然后介绍了一种对海量交通流数据进行分析处理的方法,对获得的原始数据进行处理。在此基础上,从一维时间角度出发以1分钟为间隔的实测交通流量数据为例,选取一天中不同的四部分,对单个交通参数用递归图从定性方面可视化其动力学特性,然后用定量递归分析得到各部分的量化特征值,再以1分钟为间隔的实测数据为例,对交通流-占有率这两个交通参数通过相干递归图分别可视化常发性拥挤和偶发性拥挤中流量和时间占有率的递归特性,然后运用相干定量递归分析分别确定了常发性拥挤和偶发性拥挤交通状态的转变时刻,得到了不同的交通状态的统计特征值,并做出分析。通过从一维时间角度出发对单个交通参数进行研究,发现短时交通流时间序列具有非线性、非平稳的特性,在不同的时段内分别具有随机性、混沌性和确定性,结果表明交通流随时间的变化并非以均一的方式演变,突变的产生也不一定以一种确定的方式发生,更精确的预测方法应该是用符合短期交通流特性的模型进行预测;同时分别对常发性拥挤和偶发性拥挤中流量和时间占有率进行研究表明将交通流划分为四个状态更具合理性,并发现自由流和阻塞流有较强的确定性,变化趋势较缓,其中自由流具有强非平稳特性;高速同步流和低速同步流确定性较弱,结构相对简单、非平稳,而高速同步流容易发生震荡,即容易向低速同步流或阻塞流转变。(本文来源于《华南理工大学》期刊2010-06-01）
短时交通流特性论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了提高城市道路短时交通流的预测精度,提出一种基于时空变化特性和灰色神经网络的短时交通流预测模型。通过对道路短时交通流时间和空间特性的分析,将预测路段与相邻路段进行灰色关联度分析,深度挖掘道路交通流的空间信息,并利用灰色神经网络组合模型对预测路段进行短时交通流预测。以合肥市的道路实测数据进行实例分析,结果表明,相比单一时间序列预测模型,该方法有效提高了道路短时交通流的预测精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
短时交通流特性论文参考文献
[1].王硕.基于特性分析的短时交通流预测方法研究[D].北京交通大学.2019
[2].蔡翠翠,王本有,常志强.基于时空特性和灰色神经网络的短时交通流预测[J].沈阳理工大学学报.2019
[3].李扬.基于时空特性的短时交通流预测模型研究[D].北京建筑大学.2018
[4].李莉杰,舒勤.基于时空特性的高速路短时交通流预测[J].数字技术与应用.2017
[5].邱世崇.基于时空特性的城市道路短时交通流预测研究[D].重庆交通大学.2015
[6].邱敦国,兰时勇,杨红雨.基于时空特性的短时交通流预测模型[J].华南理工大学学报(自然科学版).2014
[7].张洪宾,孙小端,贺玉龙.短时交通流复杂动力学特性分析及预测[J].物理学报.2014
[8].许伦辉,游黄阳.基于特性和影响因素分析的短时交通流预测[J].广西师范大学学报(自然科学版).2013
[9].高为,陆百川,贠天鹂,谭伟.基于时空特性和RBF神经网络的短时交通流预测[J].交通信息与安全.2011
[10].唐德华.短时交通流特性及状态转变研究[D].华南理工大学.2010