基于混沌和小波神经网络的短时交通流预测方法研究

随着智能交通系统发展的不断深入,道路交通流量分析和处理的研究也相继展开,国家和政府可以通过对未来交通流信息实时且准确的预测而研究出合适的控制策略来改善道路拥挤状况,达到路网畅通与高效运行。因此研究短时交通流预测方法对城市交通系统的控制具有重大的社会意义。 本文在研究了交通流混沌特性的基础上,通过相空间重构技术将一维的交通流时间序列中隐含的信息显现出来,进而更好地刻画混沌吸引子的特征。本文采用C-C方法计算得出相空间重构所需的嵌入维数m和时间延迟τ,并对美国加州PeMS系统中真实交通流数据进行相空间重构后,通过小数据量法算出最大Lyapunov指数来判别混沌现象是否存在,进而运用混沌理论对交通流量序列进行分析和可预测研究。 本文在分析了各类交通流预测模型的优缺点后,选用小波神经网络(WNN)作为短时交通流预测的模型,并选取实际交通流量数据对基本的BP神经网络模型和WNN模型进行仿真实验并作出对比分析,充分验证了WNN模型对短时交通流的预测无论是在准确度上还是收敛性上均优于BP神经网络预测模型。 针对小波神经网络预测效果的不稳定性及误差略高等不足之处,本文将遗传算法(GA)引入WNN网络中作为权值和小波参数的前期优化,弥补了WNN网络中梯度下降法对初始值敏感的缺陷,并通过改进遗传算法的编码方式、遗传算子自适应变换、与蚁群算法相融合三个方面进行了算法的改进,充分利用了遗传算法全局搜索能力和蚁群算法的局部寻优的特性共同完成对短时交通流的预测。通过仿真实验中综合预测性能指标的对比分析证明了改进后的IGA-WNN预测模型在精度和稳定性上优于GA-WNN模型和WNN模型,提高了实时在线短时交通流预测的适用性。