交通流量时间序列混沌特性分析及预测研究

交通流诱导系统是目前公认的提高交通效率和机动性的最佳途径,而实现交通流诱导系统的关键和前提是交通流量时间序列的预测,因此,实时准确的交通流量时间序列预测成为智能化交通系统的热点研究问题之一。由于交通流量运行的高度非线性、复杂性和不确定性,使得传统的交通流量时间序列预处理技术不能取得令人满意的效果。研究以非线性为特征的混沌理论被称为20世纪自然科学的第三次大革命,这给交通流时间序列混沌特征的提取提供了科学的依据。 在交通流量时间序列预测方面,经典的预测技术不具备自适应和自学习的能力,人工神经网络具有高度非线性、自组织、自适应、容错性及实时性等特点,可以很好的解决交通领域内的非线性问题。 本论文在重庆市科委自然科学基金重点项目“城市交通路网拥堵动态预警与疏导决策技术研究”(项目编号:CSTC 2006BA6016)的支持下,在分析相空间重构理论和时间序列的混沌特征基础上,对交通流量时间序列进行了混沌特征提取的预处理,并在此基础上结合神经网络的对交通流量混沌时间序列进行了建模和预测研究,本论文的主要研究成果包括: 1、在分析混沌时间序列特征量和相空间重构理论的基础上,研究了交通流量时间序列的混沌特性,通过定性分析和定量计算,指出了城市交通流量时间序列是一个混沌系统。 2、研究了基于混沌算法的小波神经网络交通流量混沌时间序列预测的问题。首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了小波神经网络交通流量时间序列模型;接着,阐述了混沌学习算法的混沌机理、混沌产生的概率,设计了基于混沌算法的小波神经网络交通流量混沌时间序列快速学习算法;最后利用交通流量混沌时间序列对BP网络、非混沌算法的小波神经网络以及基于混沌算法的小波神经网络进行了单步预测和多步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的小波神经网络的预测性能明显优于应用BP网络和非混沌算法的小波神经网络。 3、在分析Volterra泛函模型与ANN模型进行一致性研究的基础上,提出了交通流量混沌时间序列Volterra神经网络模型(VNNIF)。结合交通流量时间序列有限记忆性能和混沌相空间重构的数学意义,给出了交通流量混沌时间序列Volterra级数模型截断阶数的方法同时,得出了交通流量Volterra级数模型的截断项数等于各交通流信号记忆长度的最大值,也等于相空间的最小嵌入维数的结论。最后,设计了VNNTF网络学习算法,利用VNNTF网络对交通流量混沌时间序列进行了单步和多步预测,与BP网络和Volterra模型的预测结果比较,取得了相当好的预测效果。 4、研究了交通流量混沌时间序列与FIR神经网络的建模基础,提出了交通流量FIRIF神经网络模型。针对FIRIF神经网络的隐层神经元输入输出信号为向量的情况,提出了FIRTF模型的隐层神经元数个数灰色关联分析确定法;在FIR神经网络算法的基础上,设计了基于混沌机理的交通流量FIRTF自适应算法。最后,通过交通流量时间序列数据进行了试验分析,说明交通流量FIRTF神经网络以及其于混沌机理的交通流量FIRTF自适应算法综合了gda-BP网络、gdm-BP网络、gda-feedback-BP网络和gdm-feedback-BP网络的特点,使得交通流量FIRTF神经网络在训练和预测的速度上占有很大的优势。 最后对全文的研究工作进行了总结,并指出了交通流量时间序列的混沌特性分析及预测研究的进一步研究的方向。