基于集成过程神经网络的交通流动态预测方法研究与实现

交通拥堵已成为影响经济和社会秩序和谐发展的全球性问题,而智能交通系统(ITS)被认为是缓解交通拥堵的重要手段。作为ITS的重要组成部分,交通流预测是交通状态识别、交通控制与诱导等应用的重要研究基础。然而,道路交通系统是一个由人、车、路等多因素组成的复杂巨系统,其所具有的高度复杂性、非线性、不确定性等特征,对交通流的实时、准确、可靠的预测提出了严峻挑战。 传统交通流预测方法的不足可归纳为:1)未充分考虑交通流的混沌性、过程性和多状态等特征;2)未充分考虑交通流的局部特征所导致模型泛化差的问题;3)未充分考虑交通流的动态变化所导致自适应性和动态预测能力下降的问题。 针对传统方法上述不足,本论文在分析美国加州PeMS真实交通数据的基础上,提出动态数据驱动的交通流预测思想和方法,并用实验证明了该方法的有效性。具体包括: 1.基于相空间重构的混沌交通流预测 在证明交通流存在混沌现象的基础上,利用C-C算法和相空间重构方法将交通流映射到拓扑同构的相空间,并提出基于过程神经网络的相点序列预测模型。实验表明,混沌信息的有效利用可以明显提高交通流预测的准确率。 2.基于集成过程神经网络(Process Neural Network Ensemble)的动态预测 分析交通流的局部性和过程性特征,构建了局部过程神经网络模型;根据各局部模型的差异度,提出并构建了集成过程神经网络预测模型;针对交通流的动态性,设计了预测模型的在线学习和自适应更新机制,给出了各局部模型预测结果的动态融合算法。实验表明,集成过程神经网络模型显著提高了预测的实时性和准确性。