基于组合模型的交通流量预测方法

进入新世纪以来,交通问题成为困扰很多国家的重要问题,交通拥堵、环境污染、交通事故等交通问题给社会的发展,人们的日常生活带来的严重的影响。智能交通运输系统(Intelligent Transportation System,简称ITS)的出现提出了很好的解决交通问题的方法。因此ITS的研究越来越受到重视。交通流诱导系统是智能交通系统领域当中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题。因此,如何能够实时准确的预测交通流量成为诱导系统是否能够有效实现的关键问题。本文提出了一种交通流量预测的模型,并对模型的正确性进行了验证。 本文首先对交通数据的表现形式进行了分析,总结造成交通数据错误的原因,并将这些数据进行分类,提出相应的解决方法,从而使得交通数据能够更加真实的反映交通状况,更好的为交通预测模型服务,提高模型的精度。然后分析多种预测模型的不足,提出基于组合模型的交通流量预测方法,然后通过预测真实的交通流量进行检验,经过验证模型的预测精度较高,符合交通诱导以及交通控制的基本要求。主要的研究成果包括： (1)提出了针对不同的交通数据错误类型的不同的解决办法,并应用三种数据校验的方式对数据的合理性进行检验,从而不会对预测模型的精度产生太大的影响。 (2)建立了三种单一预测模型：Elman神经网络模型,历史趋势模型,非参数回归模型,详细介绍了每种模型各自的原理与实现方法,并举例说明。 (3)提出了组合模型的思想,综合三种单一模型的优点,建立基于组合模型的交通流量预测方法,并通过实验验证了模型的有效性。