資源描述：
《基于灰色預測模型的短期交通流預測研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、西南交通大學碩士學位論文基于灰色預測模型的短期交通流預測研究姓名：蔡巖申請學位級別：碩士專業(yè)：交通信息工程及控制指導教師：戴齊20090601西南交通大學碩士研究生學位論文第1頁摘要短時交通流預測是智能交通控制與管理，交通流狀態(tài)辨識和實時交通流誘導的前提及關鍵。但到目前為止，它的研究結(jié)果都不盡人意。存在模型運算復雜，運算時間長，需要大量歷史數(shù)據(jù)，預測精度不高等缺點。因此研究短期交通流預測具有一定的現(xiàn)實意義。本文在對現(xiàn)有短期交通流預測模型對比分析及交通流特性研究分析基礎上，確立了本文的研究目標：建立一個能夠克服現(xiàn)有模型缺點的短期交通流預測模型。
2、近年來，灰色預測模型以其算法簡單，所需數(shù)據(jù)少，運算時間短的優(yōu)點受到交通流預測研究人員的青睞。本文對現(xiàn)有灰色預測模型進行了研究分析及總結(jié)，提出了不同交通量原始數(shù)據(jù)情況下的兩種灰色交通流預測模型。并通過實驗驗證了模型的有效性。主要工作如下：1、對于只具有被測路段少量歷史交通量數(shù)據(jù)的情況下，本文在深入分析了影響常規(guī)GM(1，1)模型精度的因素上，提出了一種基于背景值改進的GM(1，1)短期交通流預測模型。此模型不僅可以應用于低增長序列，同時還可以應用于高增長的序列。通過與其它模型的比較分析，驗證了本文改進模型的有效性，并通過Matlab7．0仿真實
3、驗驗證了采用等維遞推方法的改進模型更適用于短期交通流預測，有更好的預測效果。2、對于不僅具有被測路段少量數(shù)據(jù)且具有該被測路段上下游交通量數(shù)據(jù)的情況下，本文在深入學習研究灰色預測模型的基礎上，建立了一個兼顧考慮上下游交通流量的MGM(1，n)短期交通流預測模型。并通過實驗驗證了模型的有效性以及其實用性。一方面拓展了MGM(1，n)模型的使用范圍，一方面驗證了兼顧考慮上下游交通流量的模型更適用于短期交通流的預測，其較只考慮被測路段歷史數(shù)據(jù)的模型有更好的預測效果。關鍵詞：智能交通系統(tǒng)；交通流預測；灰色預測模型西南交通大學碩士研究生學位論文第lI頁A
4、bstractShort—termtrafficflowforecastingisthepremiseandkeyofintelligenttrafficcontrolandmanagement，identificationofthestateoftrafficflowandreal—timetrafficflowinduced．ButSOfar,itsresultsareunsatisfactory．Previousmodelsofpredictionoftrafficflowhavesomedisadvantagesthatthetime
5、ofoperationistoolong，alargeamountofhistoricaldataisrequiredandtheprecisionislow．Sothestudyofshort—termtrafficflowforecastinghasacertainpracticalsignificance．Basedoncomparativeanalysesoftheexistingshort—termtrafficflowforecastingmodelsandresearchofcharacteristicsoftrafficflo
6、w,thisthesisestablishesgoals：themodelsestablishedCanremedytheshortcomingsoftheexistingshort—termtrafficflowforecastingmodels．Inrecentyears，thegreypredictionmodelisfavoredbythetrafficflowpredictionresearchersowingtOsimpleralgorithm，lessrequireddataandcomputingtime．Basedonana
7、lysesandsummariesoftheexistinggreypredictionmodel，thethesispresentstwogreypredictionmodelsoftrafficflowondifferenttrafficfloworiginaldata．Andtheyarecertifiedeffectivethroughtheexperiments．M句orjobsareasfollows：1．Foronlyasmallnumberofmeasuredsectionsofthehistoricaltrafficdata
8、，thethesisproposesashort-termtrafficflowpredictionmodelwhichimprovesthebackgroundv
