（计算机应用技术专业论文）基于灰色系统理论的短时交通流区间预测研究.pdf

独创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独 立进行研究工作所取得的成果。除文中己注明引用的内容以外，本论 文不包含任何其他个人或集体己经发表或撰写过的作品成果，也不包 含为获得江苏大学或其他教育机构的学位或证书而使用过的材料。对 本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：锯等辈 砌l7 年么月7 白 学位论文版权使用授权书 江苏大学、中国科学技术信息研究所、国家图书馆、中国学术期 刊( 光盘版) 电子杂志社有权保留本人所送交学位论文的复印件和电 子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文 档的内容和纸质论文的内容相一致，允许论文被查阅和借阅，同时授 权中国科学技术信息研究所将本论文编入中国学位论文全文数据库 并向社会提供查询，授权中国学术期刊( 光盘版) 电子杂志社将本论 文编入中国优秀博硕士学位论文全文数据库并向社会提供查询。 论文的公布( 包括刊登) 授权江苏大学研究生处办理。 本学位论文属于不保密囱。 学位论文作者签名： 酞垮誓 吵年易月7e l 汉 日 冶尹 劳铂 乡年 签 _ 币 乡 “， = 江苏大学硕士学位论文 摘要 随着交通科技的进步和道路交通管理及设施的不断提高和改善，加上人们 对交通出行的要求越来越高，智能交通系统( i t s ，i n t e l l i g e n tt r a n s p o r t a t i o n s y s t e m ) 得到了前所未有的关注和应用。能够准确地进行短时交通流预测无疑 对交通控制和交通诱导等方面有重要的作用。 传统的交通流短期预测方法以“点预测”为主，而对于“区间预测”研究较 少。区间预钡, l j ( i n t e r v a lf o r e c a s t s ) 是预测方法的一种，又称预测区问( p r e d i c t i o n i n t e r v a l s ) ，它是由特殊的上下预测边界组成的预测范围，期望未来待预报的数 据以期望的概率落在该预测范围内。区间预测的思想是使用区间代替点预测的 确定值，提高预测性能。区问预测可以提供比点预测更多的信息，让使用者能 够更好地估计未来的不确定性，在可能的范围内选择适当的处理策略。 在灰色系统理论中，灰区间预测理论提供了对系统中某些量的变化范围做 整体区间研究的理论基础。本文的研究目的在于找出一种可靠、简单的区间预 测方法，克服构造预测区间时方法过于复杂和计算较为不便的缺点，并在一定 程度上提高预测稳定性和预测精度。本文基于包络分析、预测区间分析和区间 灰数分析，提出了不同的预测方法。所做的工作和取得的成果主要体现在下面 四个方面： l 、分析研究了短时交通流预测理论及方法，介绍了区间预测理论方法和 灰色理论及预测方法，同时对不同的短时交通流预测方法作了比较分析。 2 、研究了灰色区间预测模型，提出了包络区间预测的新方法。该方法针 对传统灰色区间预测方法中存在的阈值划分、数据划分不合理的问题进行了详 细分析。通过分析讨论依据级比选取的阈值划分方法，利用数据分布规律对数 据进行分组，结合插值分析对分组数据进行分析，并确定上、下包络线，然后 分别建立灰色g m ( 1 ，1 ) 模型，最后计算得到原始序列的预测值范围。通过实验， 说明了该方法具有较高预测精度，同时也增强了预测的可信度。 3 、分析研究了灰数理论及其建立预测模型的理论方法，并就残差预测模 型进行了讨论，在使用区问灰数弱化离群数据的分析基础上，提出了基于区间 江苏大学硕士学位论文 灰数分析、离群数据分析和趋势分析的区间预测模型。首先阐述了基于区间灰 数序列的预测方法存在的两个方面的问题，然后针对一般方法不能有效去除离 群数据造成的不确定因素的影响及存在信息损失的不足，将区间灰数纳入区间 预测的研究范围内，同时在对离群数据分析、趋势序列分析和置信度等分析的 基础上，提出了新的区间预测方法。实验结果表明，该方法建立的区间预测模 型有效地预测了短时交通流曲线。 4 、在理论研究基础上，设计并实现了一个针对特定道路进行交通流监测 和交通流区间预测的原型系统。系统主要实现了交通流实时监测模块和交通流 区问预测模块，达到了预想的交通流监测和区间预测功能要求。 关键词：区间预测，短时交通流预测，灰色理论，离群数据分析，区间灰数， 置信区间 l l 江苏大学硕士研究生学位论文 a b s t r a c t w i t ht h er a p i dd e v e l o p m e n to ft r a f f i ct e c h n o l o g y , a sw e l la st h ec o n t i n u o u s i m p r o v e m e n to ft r a f f i cm a n a g e m e n ta n df a c i l i t i e s ，i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m h a sr e c e i v e du n p r e c e d e n t e da t t e n t i o na n da p p l i c a t i o n ，w h i c hi su n d e rp e o p l e sh i g h e r t r a f f i cr e q u i r e m e n t so nt r a v e l i t sn od o u b tt h a ta c c u r a t e l yp r e d i c t st r a f f i cf l o wi sv e r y i m p o r t a n tf o rt r a f f i cc o n t r o l ，a n dp l a y sa ni m p o r t a n tr o l eo nr e d u c i n go ft r a f f i c c o n g e s t i o na n d o t h e ra s p e c t so fi n d u c t i o nr e a s o n a b l y t h et r a d i t i o n a lm e t h o d so fs h o r t t e r mt r a f f i cf l o wp r e d i c t i o nm a i n l yf o c u s e do n p o i n tf o r e c a s t s b u tl e s so n i n t e r v a lf o r e c a s t s i n t e r v a lf o r e c a s ti so n ef o r e c a s t i n g m e t h o d ，a l s ok n o w na sp r e d i c t i o ni n t e r v a l ，w h i c hi sp r e d i c t e db yt h eu p p e ra n dl o w e r b o u n d a r y t h es p e c i a lc o m p o s i t i o no ft h ef o r e c a s tr a n g e ，w h i c he x p e c t sf o r e c a s td a t a o ft h ef u t u r et of a l li n t ot h ep r o b a b l yr a n g ew i t hc e r t a i nm a t h e m a t i c a le x p e c t a t i o n t h ei d e ao fi n t e r v a lf o r e c a s ti st h a tu s i n gi n t e r v a lt oi n s t e a dp o i n ta st h ef o u n d a t i o no f f o r e c a s t i n gm e t h o d s ，t od e t e r m i n et h ev a l u ea n di m p r o v et h ep r e d i c t i o np e r f o r m a n c e i n t e r v a lf o r e c a s t sc a np r o v i d em o r ei n f o r m a t i o nt h a nt h ep o i n tf o r e c a s t ，a l l o w i n gu s e r s t oe s t i m a t et h eu n c e r t a i n t yo ft h ef u t u r eb e t t e r , a l s ot oe x t e n dp o s s i b l ec h o o s e su n d e r s o m ec o n d i t i o n s i ng r a ys y s t e mt h e o r y , t h eg r a yi n t e r v a lf o r e c a s t i n gt h e o r yp r o v i d e su st h eb a s i so f d o i n gaw h o l er a n g er e s e a r c ho nt h es e v e r a lo fc h a n g e a b l ee l e m e n ti ns y s t e m t h e p u r p o s eo ft h i ss t u d yi st of i n dar e l i a b l ea n ds i m p l ei n t e r v a l f o r e c a s t i n gm e t h o d s ， w h i c hc a no v e r c o m et h es h o r t c o m i n g sw i t ht o om u c hc o m p l i c a t e da n dl e s sc o n v e n i e n t w h e nc o n s t r u c t p r e d i c t i o ni n t e r v a l a c c o r d i n g t ot h et r a d i t i o n a l g r a y i n t e r v a l p r e d i c t i o n ( a l s ow a sk n o w na sg r e ye n v e l o p e ) m e t h o d ，i t sn e e d t oc o n s t r u c t u n d e r - e n v e l o p ec u r v ea n du p p e r - e n v e l o p ec u r v e ，w h i c hi sd i f f i c u l tt od e t e r m i n et h e v a l u eo fe d g ep o i n t sa n dt h ev a l u e - o n i n t e r v a l s oi ti si n e v i t a b l et h a ts o m e o n ei s i n t e r f e r i n gf a c t o r s ，w e a k e n e dt h ef o r e c a s tv a l u ea n d t h ec r e d i b i l i t yo fp r e d i c t i o n i n t e r v a l t h u s ，a c c o r d i n gt ot h et r a d i t i o n a lm e t h o db a s e do nt h eg r a ya r e a ，an e w m e t h o dt h a tb a s e do nd a t ad i s t r i b u t i o na n di n t e r p o l a t i o no fg r a yi n t e r v a li sp r o p o s e d a ne x a m p l ei n d i c a t e st h a tt h ei n t e r v a lm e t h o dc a ni m p r o v et h ep r e c i s i o no ft h e i i i 江苏大学硕士学位论文 s i m u l a t e ds e q u e n c eo b v i o u s l y , a n da l s os h o w st h a tt h i sp r e d i c t i o nm e t h o dh a sav e r y g o o dp r o m o t i o n a lv a l u e m a j o r j o b sa l ea sf o l l o w s ： 1 r e s e a r c h e dt h es h o r t t e r mt r a f f i cf l o wp r e d i c t i o nt h e o r ya n dm e t h o d ，a n d d i s c u s s e dt h em e t h o do fi n t e r v a l p r e d i c t i o nb a s e d o ng r a yt h e o r y , m e a n w h i l e ， c o m p a r e e dd i f f e r e n ts h o r t t e r mt r a f f i cf l o wf o r e c a s t i n gm e t h o d s 2 t h r o u t hd i s c u s s i n gt h eg r a yi n t e r v a lp r e d i c t i o nm o d e lp r o p o s e dan e wm e t h o d c a l l e de n v e l o p ei n t e r v a lp r e d i c t i o nm e t h o d a st h ee x i s t e n c ep r o b l e m so ft h r e s h o l d v a l u ep a r t i t i o n i n ga n dd a t ap a r t i t i o n i n gf o ra ng r e yi n t e r v a lf o r e c a s t sm e t h o d ，o n e r e a s o n a b l ei n t e r p o l a t i o ng r e yi n t e r v a lf o r e c a s t sm e t h o di sp r o p o s e d ，w h i c hi sb a s e do n s t e p w i s er a t i o a c c o r d i n gt ot h es t e p w i s er a t i o ，l o t so fd i s c u s s i o n sh a v eb e e nm a d eo n t h r e s h o l dv a l u e a f t e rt h a tt h eu p p e re n v e l o p ea n dt h el o w e re n v e l o p ea r es u r v e y e d a n dm a r k e do f fu n d e rd i s t r i b u t i o nl a wo fd a t a ，t h e n ，t h eg r o u p e d - d a t aa r eu s e df o r i n t e r p o l a t i o na n a l y s i s i nt h ee n d ，g m ( 1 ，1 ) m o d e li se s t a b l i s h e dt os i m u l a t et h e s e q u e n c e ，t h r o u g hw h i c ht h er a n g eo fp r e d i c t e dv a l u e sa r eo b t a i n e d t h ee x p e r i m e n t n o to n l yp r o v e dt h a tt h ei m p r o v e di n t e r v a lf o r e c a s t sm e t h o dh a sh i g hp r e d i c t i o n a c c u r a c y , b u ta l s oe n h a n c e dt h ec r e d i b i l i t yo ft h ep r e d i c t i o n 3 t h ep a p e rd i s c u s s e dt h em e t h o d st os y m b o lo fs e q u e n c e u s i n gm e t h o do f s u b - d i g i ts e q u e n c et oc o d et r a f f i cf l o w , w h i c hm e a n st ol e tt r a f f i cf l o wi na c c o r d a n c e w i t ht h ev a l u eo fs y m b o l i cs t a t u s c h a r a c t e r i s t i c so ft r a f f i cf l o wa r es t r e n g t h e n e d t h r o u g hc o d i n g w i t hi n t e r p o l a t i o ni n t e r v a lp r e d i c t i o n ，c o d i n gm e t h o dc o m b i n e dw i t h g r a yi n t e r v a lf o r e c a s tm e t h o dw e r eu s e dt oe x p a n di d e a s ，w h i c hm a d eaf o u n d a t i o nf o r f u r t h e rr e s e a r c h i n g 4 b a s e do nt h et h i ss t u d y , at r a f f i cf l o wf o r e c a s t i n gm o d e ls y s t e m w a sd e s i g n e d a n dc o m p l i e d t h es y s t e mi sm a i n l yt oa c h i e v er e a l t i m em o n i t o r i n go ft r a f f i c f l o w a n dp r e d i c tt h et r a f f i c f l o wi n t e r v a l k e y w o r d s ：i n t e r v a lf o r e c a s t s ；s h o r t - t e r mt r a f f i cv o l u m ef o r e c a s t s ；g r e ys y s t e mt h e o r y ； o u t l i e ra n a l y s i s ；i n t e r v a lg r e yn u m b e r ；c o n f i d e n c ei n t e r v a l s i v 江苏大学硕士研究生学位论文 目录 第一章绪论。1 1 1 课题背景及研究意义1 1 2 国内外研究现状一2 1 3 论文的研究内容j 4 1 4 论文的内容组织5 第二章基于灰色理论的区间预测与交通流预测概述。6 2 1 短时交通流预测概述6 2 2 区间预测方法概述1 1 2 3 灰色系统理论预测方法介绍1 2 2 4 灰色系统区间预测模型介绍1 3 2 4 1 生成数列模型1 3 2 4 2 一阶微分方程14 2 4 3 建立灰色区间预测模型步骤1 5 2 5 本章小结l7 第三章基于优化方法的短时交通流区间预测研究1 8 3 1 引言18 3 2 区间序列分析基础一j l8 3 2 1 包络线及包络带1 9 3 2 2 序列的级比一2 0 3 3 方法优化2 2 3 3 1 原始数据的分组。2 2 3 3 2 原始数据的插值分析2 3 3 4 实验及结论分析2 4 3 5 本章小结2 8 第四章灰数区间预测方法在短时交通流预测中的应用2 9 4 1 引言2 9 4 2 区问灰度分析基础。一3 0 4 2 1 灰数与区间灰数3 0 4 2 2 残差g m ( 1 ，1 ) 模型3 0 江苏大学硕士学位论文 4 3 方法优化3 2 4 3 1 区间灰数的离群数据分离3 4 4 - 3 2 区间灰数趋势包络线的构造过程3 5 4 3 3 区间灰数的上、下包络线的构造过程3 5 4 3 4 经残差g m ( i ，1 ) 建模的修正区间预测3 6 4 4 实验及结论分析3 7 4 4 1 数据处理3 7 4 4 2 建立模型3 9 4 5 本章小结4 3 第五章短时交通流区间预测原型系统的设计与实现4 4 5 1 系统简介4 4 5 2 系统总体设计4 4 5 2 1 系统框架4 5 5 2 2 系统功能4 7 5 3 系统实现一4 7 5 3 1 开发环境4 8 5 3 2 功能实现4 8 5 4 本章小结一5 3 第六章总结与展望。5 4 6 1 总结5 4 6 2 展望5 5 参考文献5 6 致谢5 9 在学习期间的研究成果及发表的学术论文6 0 江苏大学硕士研究生学位论文 1 1 课题背景及研究意义 第一章绪论 交通系统是支持社会经济发展的基础设施和“循环系统”，是影响区域社会和 经济发展的重要因素l lj 之一。随着国民经济的高速发展和城市化进程的加快，传 统的运输格局已经发生了根本性的变化，道路交通的作用也显著增强。交通系统 在社会经济系统中占有重要的地位，交通问题解决的好与坏，直接影响着国民经 济的发展与人民生活质量的提高【l ，2 j 。而当今世界，各国的大城市无不存在着交 通拥挤问题，交通问题在一定程度上已经成为制约经济和社会稳定发展的“瓶 颈，【1 1 。 智能交通系统i t s ( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ) 是近年来迅速发展起来 的城市道路和高速公路控制管理新技术，并逐渐得到广泛的应用f l 2 】。智能交通 系统中先进的交通控制系统与交通管理系统均要求为其提供实时的交通流信息。 交通流预测是指在时刻t 对下一决策时刻t + l 乃至以后若干时刻的交通流做出 实时预测。一般认为t 到t + l 之间的预测时间跨度不超过1 5m i n ( 甚至小于5m i n ) 的预测为短时( s h o r tt e n n ) 交通流预测1 3 j 。 交通流预测是实时控制与诱导的前提，是智能交通系统实现的理论基础和公 路等级确定的基本依据，也是工程社会和经济效益评估的基本数据1 1 , 3 】。进行短 时交通流信息预测理论体系研究，开发实用、智能化的道路短时交通流预测系统， 对于改善i t s 各个子系统的性能、提高我国城市交通管理水平以及解决我国日益 恶化的交通城市问题，具有十分重要的学术价值和现实意义【。 伴随着现今科学研究对象的结构复杂性日益增加，资料的搜集也不是单一数 值的数据了，而是在许多因素的影响下，呈现出一个“范围”【4 】。区间值具有表达 动态事件的能力，若以区间值的连续特性为基础进行分析，将有利于研究者处理 研究对象的不确定t 生1 5 1 。 区间预钡, l j ( i n t e r v a lf o r e c a s t s ) 是预测方法的一种，所谓区间预澳l j 4 , 5 , 6 1 ，就是指 对系统发展态势做上下界范围的预测。在预测中，由于预测对象的错综复杂性， 一般来说预测结果与未来事实总要存在一定的偏差。对于这个偏差，如果人们能 江苏大学硕士学位论文 知道它的变动区间或大概的变动区间，那么就可事先制定应对未来可能出现情况 的对策。与点预测1 5 1 ( 即对数据进行下一时刻的值预测) 不同，点预测注重预测的 精确性，区间预测注重预测的可靠性【6 1 。在短期预测中，区间预测较点预测的精 确性优势并不明显，但在多步预测中，区间预测在概率意义下保证预测的可靠性， 同时预测结果是一区间，也使它不会象点预测那样很快地与真实值分离【5 , 6 1 。所 以，科学地确定未来事物可能变化的区间，具有十分重要的意义。 在实际工程中，同样也需要研究系统中某些量的变化范围，在总体上得到一 个概略范围，便于在宏观上掌握系统的未来走向l7 1 。如在城市交通规划方面，需 要了解的是在未来一个时期内，交通量的总体趋势、范围，而不需要知道精确的 值，这就要求对交通流量进行区间预测。 区间预测己在诸如医学、环境、石油和水利等领域得到不同程度的应用【l ，2 。 在灰色系统理论中，建模具有所需样本少、短期预测精度高和不需要计算统计特 征量等优点，灰色区间预测方法提供了对系统中某些量的变化范围做整体区间研 究的基础1 4 , 5 。传统的灰区间预测【7 1 ( 亦作包络灰预测) 方法是利用对上包络线、 下包络线上的数据作g m ( i ，1 ) 模型进行预测并随之确定一个上下限，即预测区 间，但是并没有深入研究包络预测模型的建模精度、方法改进措施等问题。为此， 本文在灰色理论基础上，综合运用插值分析、阈值分析、离群数据分析和趋势分 析等方法，改进区间预测方法，提高预测性能。运用改进的灰区间预测方法对短 时交通流进行区间预测，让使用者能够更好地估计未来的不确定性，在可能的范 围内选择适当的处理策略。从方法的简便易用方面出发，灰区间预测方法对短时 交通流进行预测表现出了精度高、可信性强等特点，是值得推广应用的。下文将 对短时交通流预测方法和区间预测方法的研究现状进行详细介绍。 i 2 国内外研究现状 随着预测科学不断发展，可用于交通流量预测的模型与方法有很多。按技术 手段分为常规预测方法和智能预测方洲8 j 。常规预测方法【9 】：回归分析预测法、 趋势曲线模型预测法，以及移动平均法、分解法、指数平滑法、b o x j e n k i n s 方 法等时间序列预测法。智能预测方法【4 9 ，1 0 】包括灰色系统理论、卡尔曼滤波理论、 支持向量机理论、混沌理论的预测法，以及神经网络预测法、多a g e n t 预测法、 2 江苏大学硕士学位论文 数据融合方法、组合预测法等，其中每一类预测方法的之中又包含若干种预测模 型，构成综合模型的预测模型1 1 0 1 ，则往往包含多种方法。 现代交通信息预测方法顺应着i t s ( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s 智能交 通系统) 的发展潮流，也吸收了先进的预测技术、系统工程、人工智能等领域的 最新研究成果，总体上呈现智能化、复杂化、组合化的发展趋势1 3 , 1 0 。 目前短时交通流预测在以下方面迅速发展1 9 l ，第一、提升交通预测性能及实 际应用。国内各大城市都在逐步地将交通信息研究作为加快交通发展的重要手段 和依据，交通预测应用在实际交通控制等方面，是必不可少的环节。第二、预测 理论、模型方法的发展。传统理论方法已经不能够完全满足不断发展的交通行业， 而弥补传统方法所带来的不便和缺陷，涌现出了一批新的理论方法，如灰色理论、 神经网络、遗传算法和支持向量机等，这些方法已经被广泛应用到短时交通流预 测中。第三、针对大量历史交通数据存储的统计要求，如何提高依据历史交通流 数据的统计精度，也是交通流预测发展的一个方向。 区间预测被广泛应用到时间序列预测中，很多学者对此做了深入的研究。 d eg o o i j e r ，e ta 1 【1 1 1 ，c a i l l 2 1 研究了基于条件分位数的区间预报，y u & j o n e s l l 3 1 研 究了对条件分位数的估计，以确定区间的边界。虽然很多理论给出了区间估计方 法，但是实际应用不如想象的好【1 4 j ，主要原因是使用者对置信率的选择策略各不 相同【1 5 , 1 6 】。a r k e s 【1 5 1 认为专家知识可以解决这一该问题。o n k a l1 1 7 】讨论了财经问题 的专家区问预测问题，j o r g e n s e n 等人f l8 】讨论了经验分布对预测区间的优化问题。 在区间预测问题中使用专家知识需要注意如下几个问题1 1 9 1 ：1 ) 知识使用的目的明 确，即知识与预测目标是一致的；2 ) 需要能够对置信区问的物理意义进行解释； 3 ) 能够提供实时反馈，提高预测精度。 在区间预测中如何选择合适的区间是预测方法讨论的关键。传统方法通过置 信率来确定预测区间，但不同研究目标和应用者对置信率的选择并不相刚1 5 , 1 6 1 ， 这导致了预测精度的不确定。一些领域的时间序列具有明显的特征，如交通流的 相似特征，领域特征隐含了很多领域知识1 1 9 1 ，适当地使用领域知识将有助于提供 对事物未来发展状态的正确认识。一些知识可以用来确定事物未来可能的变化范 围，这个范围就是预测区间。 此外，对于时间序列的区问预测问题，一些研究表明时间序列的趋势、季节 江苏大学硕士学位论文 特征对区间预测影响较大【2 0 1 ，随机性影响不大f 2 l 】。因此，在时间序列中分解出 趋势项和季节项将对有助于提高预测的稳定性。 短时交通流因为其不确定性等特点使其预测很复杂，而灰色系统理论具有所 需样本少、短期预测精度高和不需要计算统计特征量等优点，可以弥补预测建模 复杂、计算不便等缺点。通过对基于灰色系统理论的短时交通流预测方法理论的 研究，利用灰色系统理论能使用“小样本”、“贫信息”【4 ，”墩据进行建模的特点，进 行短时交通流预测建模，减少了模型参数计算时间、降低了预测时间的延迟。最 终提高短期的预测精度。目前在基于灰色理论的交通流预测中，灰色区间预测方 法应用较少【3 9 1 。本文在灰色理论基础上，研究并改进了灰色区间预测方法，并将 其应用在短时交通流预测中，下文概况性地介绍本文的研究内容。 1 3 论文的研究内容 论文的研究内容主要有以下几个方面： 1 研究学习了灰色理论及其建模理论方法，阐述了灰色理论建模原理和步 骤，并对短时交通流预测方法进行归纳总结，比较了各预测方法的优缺点，同时 学习研究了区间预测方法理论。 2 在短时交通流预测及灰色区间预测方法基础上，研究交通流量在未来时 间段上的变化趋势与变化区间。对传统区间预测方法进行改进和优化，建立基于 阈值分析和插值分析的插值灰色区间预测模型。经实验结果分析，较传统方法的 预测精度有所提高。 3 研究了区间灰数的区间预测问题。在阐述了区间灰数预测的两个问题 后，针对已有方法不能有效去除离群数据造成的不确定因素的影响，改进预测方 法，提出基于离群数据分析、趋势序列分析和置信度分析的区间预测方法。在针 对交通流数据的区间预测实验中，该区间预测方法表现出了较好的预测性能。 4 系统应用。在理论方法研究和学习基础上，设计和实现一个针对特定道 路的交通流监测和交通流区间预测原型系统。通过采用某市的高速公路某时间段 的数据，建立灰色区间预测模型，实现系统设计的功能，验证和展示了研究成果。 通过脱离人为干预因素，增强了预测模型的真实性，实验结果较为满意。 4 江苏大学硕士学位论文 1 4 论文的内容组织 全文共分为六个章节，各章节内容概述如下： 第一章：绪论。介绍了本课题的研究背景和意义、区间预测和短时交通流预 测国内外研究现状，然后给出了本课题的主要研究工作内容。 第二章：基于灰色理论的区问预测与交通流预测概述。简要介绍了短时交通 流的特性及常见的预测方法和模型，以及区问预测方法和其与灰色系统理论相结 合所产生的新的预测方法；最后，对灰区间预测方法在短时交通流预测中的应用 情况做了说明。 第三章：基于优化方法的短时交通流区间预测研究。在依据级比的灰色区间 预测方法存在阂值划分和数据划分问题情况下，提出了一种结合阈值分析和插值 分析的插值灰色区间预测方法，并应用在短时交通流的区间预测中。在实验中， 对依据级比选取的阈值进行讨论，同时结合数据分布规律抽取上、下包络线并建 立g m ( 1 ，1 ) 模型，最终得到实验结果，其表现出较高的预测精度。 第四章：灰数区间预测方法在短时交通流预测中的应用。针对一般方法不能 有效去除由于离群数据造成的不确定因素的影响，及存在信息损失的问题，提出 基于离群数据分析、趋势序列分析和置信度分析的区间预测方法。对如何区分和 分离离群数据、如何构建趋势序列并进行置信度分析，做了详细说明。通过实验 结果分析，表明该方法可以较好的预测短时交通流信息。 第五章：短时交通流区间预测原型系统的设计与实现。在本研究课题的理论 方法基础上，结合改进的预测方法模型，设计并实现了一个基于灰色理论的短时 交通流区间预测原型系统。通过交通流信息模拟生成和计算，验证和展示了研究 成果。 第六章：总结与展望。对全文工作进行总结，并对下一步研究工作进行了展 l 望。 江苏大学硕士学位论文 第二章基于灰色理论的区间预测与交通流预测概述 2 1 短时交通流预测概述 在日益多元化的短时交通流预测技术引导下，交通流预测方法呈现出综合性 和复杂性增强的特点，也正是由于单个模型有局限性，综合模型用于预测将是交 通流预测领域的发展趋势10 1 。回顾近几十年交通流预测技术的发展【2 2 j ，交通流 预测方法主要如下：光谱分析法( s p e c t r a la n a l y s i s ) 、历史平均法、线性回归模 型( l i n e a rr e g r e s sm o d e l s ) 、时间序列方法( a r i m a 等) 、非参数回归模型、卡 尔曼滤波法( k a l m a nf i l t e r i n g ) 和人工神经网络模型( a n n ) ，以及一些基于其 他理论的预测方法，例如基于小波理论的预测方法、基于混沌理论的预测模型、 基于灰色理论的方法等。 总的来说，可以大概分成七类模型f 3 , 8 , 2 2 】，即：基于统计方法的模型、动态交 通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的 模型和综合模型等。以下就各模型的优缺点进行总结分析。 1 基于统计方法的模型 基于统计方法的模型主要是利用数理统计的方法处理历史交通流数据从而 得到预测数据。该类模型主要包括历史平均模型( h i s t o r y a v e r a g em o d e l ) 、线性 回归模型【2 3 1 ( l i n e a r r e g r e s s i v em o d e l ) 、时间序列模型【2 4 1 ( t i m es e r i a lm o d e l ) 、 卡尔曼滤波模型1 2 5 j ( k a l m a nf i l t e r i n gm o d e l ) 、m a r k o v 预测和极大似然估计模型 1 2 6 】垒垒 寸o 历史平均模型方法虽然简单，但精度较差且不能解决非常规和突发的交通状 况，如交通事故等预测问题【8 1 。线性回归模型方法f 2 3 】则相对比较成熟，在运用该 类方法进行交通流预测时，往往所需的监测设备原理和构造比较简单，所需的设 备数量不多，同时价格也较低。但因为其单纯地依据预先确定的回归方程，用测 得的影响交通流的因素进行预测，这就造成了该方法模型只适用于特定路段的特 定流量范围，且不能及时修正误差的问题，表现出适用性差和实时性不强的特点 9 , 2 3 1 。总的来说，历史平均模型方法和线性回归模型方法都未能反映交通流过程 的不确定性与非线性，尤其无法克服随机干扰因素的影响，但建模方法相对简单， 模型参数易于估计( 如最小二乘法估计) ，所以计算也比较简单方便。 时间序列模型通过对实测数据序列的统计处理，拟合成一个参数模型，再利 6 江苏大学硕士学位论文 用这个模型来分析研究实测数据序列内在的各种统计特性的一种方法，一般可以 按照模型的统计规律，利用现在和过去的观测值来预测其未来值。 时间序列模型主要有线性平稳模型和非线性平稳模型【9 , 2 4 1 。线性平稳模型主 要有：自回归模型( a r 模型) 、滑动平均模型( m a 模型) 、自回归一滑动平均 混合模型( a r m a 模型) ；非线性平稳模型主要有：自回归求和滑动平均模型 ( a r i m a 模型) 和i m a 模型。在1 9 7 9 年，a h m e d 和c o o k 首次将时问序列模 型用于交通流预测领圳8 j ；1 9 8 4 年o k u t a n i 和s t e p h a n e d e s 将a r i m a 模型应用到 u t c s 中1 2 2 l ；】9 9 3 年a r i m a 模型又被k i m 和h o b e i k a 应用到高速公路交通流 量预测中。时间序列是一种复杂类型的数据1 2 列，具有维数高、规模大、结构复杂 和噪声干扰多等特点，直接对这样海量的高维数据空间的数据进行处理是很困难 的。因此，在时间序列的研究中常常对其进行处理，将时间序列从高维空间转换 到低维空间，以降低计算的复杂度【9 】。时间序列模型具有良好的理论基础运用基 础，该方法不仅建模简单，而且在数据量较大的情况下有较高的预测精度。当然， 也存在一些不足【9 , 2 2 l ，主要表现在：在受随机干扰因素影响大、不确定性强的短 时交通流建模和预测过程中，建模较为繁琐且识别过程复杂：模型参数的求解过 程是离线的，并且在预测的过程中模型的参数是固定的，不能移植，这不能很好 地适应不确定性强的短时交通流动态预测的要求1 9 j ；在出现采集设备问题、通信 问题导致数据不足情况后，不能达到模型所需大量不间断的数据的要求。 卡尔曼滤波模型1 2 5 j ( k a l m a nf i l t e r i n gm o d e l ) 是基于卡尔曼滤波理论的一种 方法模型。卡尔曼滤波方法的输入参数可以是当前时问段或过去的几个时间段的 一些变量( 交通流量、研究路段或邻接路段的占有率或行程时间) ，输出将来时 间段的相应的预测量。卡尔曼滤波法具有预测因子选择灵活、精度较高的优点， 是最好的预测方法之1 8 , 9 ，且模型的预测精度随预测时间间隔的变化不大，说 明方法的强壮性很好【8 】。但是，由于模型的基础是线性估计模型，所以当预测间 隔小于5 m i n 时，交通流量变化的随机性和非线性性再强一些时，模型性能变差。 另外，随机性增强后，在每次计算