基于车联网的短时交通流预测算法研究

随着城市汽车数量的增加,大城市的交通拥堵问题日益严重,从而引发空气污染、能源浪费、时间延误、雾霾加重等一系列问题。近年来,为解决日益严重的交通拥堵问题,国内外纷纷提倡建立智能交通系统,对道路交通实行智能控制与管理。而车联网就是其中一个研究热点,车联网融合了物联网、智能交通、移动互联网、云计算等多个领域技术,可以大大改善现有的交通状况,彻底改变未来人们的出行方式,实现交通的智能化、安全化和环保化。本论文以车联网技术为基础,结合实际的交通流数据,对如何实时、准确地进行短时交通流预测进行了研究,旨在为智能交通系统提供有效的交通控制方案和交通诱导措施,主要研究工作如下:1.本文选取美国加州Pe MS系统的实际交通流数据作为实验数据,并对交通流数据进行特性分析,提出了分时段(工作日与非工作日)、多参数(速度、流量和占有率)的预测方法。2.针对基本的卡尔曼(Kalman)滤波交通流预测模型,利用相空间重构理论,对该模型进行改进,构建了基于相空间重构的Kalman滤波预测模型,并使用实际的交通流数据对模型进行预测仿真。结果表明,改进模型三个交通参数(速度、流量和占有率)工作日的预测误差分别减少23%、1%、28%,非工作日的预测误差分别减少27%、1%、33%。3.针对基本的小波神经网络(WNN)交通流预测模型,利用交通流的时空特性,对该模型进行改进,构建了基于时空特性的WNN交通流预测模型,并使用实际的交通流数据对模型进行预测仿真。结果表明,改进模型三个交通参数(速度、流量和占有率)工作日的预测误差分别减少18%、9%、8%,非工作日的预测误差分别减少7%、3%、11%。4.对本文构建的四种预测模型进行对比分析,结果表明在四种模型当中,基于时空特性的WNN模型的预测效果最好,能有效地进行短时交通流预测;对三个交通参数的预测效果进行对比,结果表明速度的预测效果最优,其次是流量,最后是占有率;对两个不同时段的预测效果进行对比,结果表明非工作日的预测效果优于工作日的。