基于粒子滤波与神经网络的短时交通流预测

【摘要】：随着中国城市化进程的快速推进,机动车保有量的增加,城市道路网络承担了居民出行和社会资源调配的重要作用。短时交通流预测在城市道路交通领域一直是重要的研究课题,是管理者对城市路网交通状态进行准确有效管理的依据。准确的短时交通流预测可以有效的预测下一时刻交通流的状态,为出行者提供出行诱导,避开拥堵路段,迅速达到出行目的地,保证路网的安全通畅,从而使得城市路网处于高效的运转状态。本文首先对国内外众多学者的研究成果进行了归纳分析,总结了短时交通流预测的特性并对常用预测方法进行了分类,针对每类交通流预测方法选取典型算法简述其原理并讨论了其优缺点。并选取BP神经网络和粒子滤波算法作为本文研究的基础,提出了将BP神经网络预测过程作为粒子滤波算法状态转移方程的改进算法,从而实现了 BP神经网络算法结构参数的动态寻优,使得预测算法可以一定程度上避免过拟合的问题,并对于交通流状态的变化更敏感从而在交通流状态突变时具有更好的实时预测效果。最后本文选取了广州市某条道路的平均交通流速度时间序列作为本文的实验数据集,验证改进算法的预测效果。通过小波阈值去噪和相空间重构的方法对一维的速度时间序列数据进行处理并扩展到高维空间中,对比了 BP神经网络算法和改进算法在短时交通流预测方面的效果,建立了相关的预测评价指标,证明了改进后的算法具有更好的准确性与鲁棒性。