基于神经网络模型的短时交通流预测及应用研究

新世纪以来，我国进入了城市化进程的快速发展期，机动车数量与日俱增，在给人们的生活带来巨大便利的同时，也带来交通拥堵、环境污染、资源浪费等一系列问题，这对人们的日常生活造成了严重的影响，并吸引了许多学者的关注。智能交通系统是一种通过人与信息系统配合来缓解交通阻塞，减少资源消耗和降低环境污染的方法。车联网是物联网技术在智能交通领域的典型应用，交通流预测是其中的关键技术，以道路交通信息为基础进行交通诱导，缩减出行时间，减少交通拥挤。 短时交通流预测是交通流预测的重点研究内容之一，及时、准确的短时交通流预测信息是保障道路畅通、交通有效运行的关键。短时交通流信息具有自相似性的特点，即不同时期同一路段的交通信息呈现一定的规律性和周期性，这为短时交通流预测提供了有利前提；同时，短时交通流信息也具有实时、高维、非线性、非平稳的特征。本文针对现有短时交通流预测算法精度低、收敛慢、性能不稳定等问题，对短时交通流预测问题进行了研究，并提出了相应的算法。本文的贡献主要有以下方面： 第一，本文在对研究现有交通流预测方法的基础上，分析了车联网环境下的动态交通流诱导模型，通过VISSIM交通仿真软件模拟采集交通流数据，并给出了仿真输入和模拟采集的交通流量和平均速度参数曲线图。 第二，分析了交通流基本特征参数及其特性，结合历史趋势法和相邻补齐法，对交通流数据进行了预处理，修复了错误数据，减小了错误数据对预测模型精度的影响。 第三，提出了新的短时交通流预测算法：GA-BBP算法。GA-BBP算法选择BP神经网络作为短时交通流预测的基础模型，采用动态调整学习率的方法和贝叶斯训练方法，并用改进过的遗传算法对其参数进行优化。GA-BBP算法在精确度和收敛速度上较传统算法都有了明显的提高，仿真实验结果表明GA-BBP算法具有更好的稳定性和更高的预测精度。