1研究目的及意义

交通流预测即运用某种模型和方法，根据过去一段时间的交通流状态预测未来时段的交通状态。短时交通流预测则是预测周期小于15分钟的交通流预测。准确、实时的交通流短时预测是智能交通系统的基础，同时也是交通控制和交通诱导的关键技术之一。由于短时交通流存在很强的随机性与周期性，其预测方法需要具有实时性、准确性与自适应性。神经网络模型具有自适应、自学习、较强的容错性及鲁棒性，因此被大量用于交通流的短时预测。本文的研究目的在于：研究多种神经网络模型，并从中选取集中具有代表性的模型，对比应用现状并对同一组交通量数据进行预测，分析其预测结果，比较其精度，总结不同的神经网络模型的优势与劣势，研究其在实际运用时的特点。

目前，智能交通系统在解决交通问题的领域占据着日益重要的地位。通过实时交通数据，分析预测短期交通流，让驾驶员选择最优路径，缓解交通拥堵，使城市路网发挥最大效率， 对城市交通具有重大意义。在城市短时交通流预测方面，神经网络模型法因其具自适应、自学习、较强的容错性及鲁棒性有着独特的优势。如今有多种神经网络模型被用于交通流短时预测，通过本课题研究，发现不同的神经网络模型之间的差异，使其在实际运用时更好的发挥其特点，有助于短时交通流预测的理论和方法的研究。

2 国内外研究状况

2.1 国外研究状况

1993年，Vythoulkas PC首次提出用系统识别和人工神经网络进行城市道路网络交通状态的预测，之后基于神经网络的短期交通流预测的研究越来越多。最初，有用单一的一类神经网络模型直接用于交通流预测的，如Rilettbull; L R等，首先使用以谱为基础的神经网络(SNN)直接预测高速路径旅行时间，提出预测路径旅行时间的标准方法是两步过程：路段旅行时间先预测，然后再合成路径旅行时间。之后有了多种神经网络相结合的混合优化模型的研究。Chen等便是描述了混合神经网络的应用和在高速路交通流预测中数据确实的影响。接着，为了获得更好的预测效果，神经网络开始和其他领域的先进算法进行结合。Lingras P等提出在短期交通流预测的统计方法和神经网络方法中输入参数的选择非常重要, 提出用遗传算法进行输入参数的选择, 即用遗传算法找出历史数据中与下一时段流量非常相关的历史数据；Yin H 等将模糊—神经网络用于城市道路网络交通流量的预测。

2.2 国内研究状况

我国短时交通流预测研究虽然起步较晚，但也有了相当大的研究成果。2000年，贺国光、李宇等人将数学模型与神经网络模型相结合来预测交通流状态。宗春光、宋靖雁等人结合混沌理论采用非线性时间序列预测交通流量。徐启华、丁兆奎等人就将递归神经网络应用到了交通流预测研究中。谭国真、王凡等人将并行算法和神经网络模型相结合，提出广义并行神经网络预测模型。田晶、杨玉珍等人结合混沌时间序列和BP神经网络来预测交通流。张朝元等人将改进的LS-SVM算法应用到交通流预测中。 张晓莉、贺国光等人结合平衡二叉树算法和K-邻近非参数回归算法建立预测模型，提高了非参数回归算法的运行速度。王进等人给出了基于混沌动力学理论的短时交通流预测框架，在相空同重构理论的加权一阶局域预测方法基础上进行短时交通流预测。李双双为了提高短时交通流预测算法的运行效率，利用MapReduce编程模型的并行分布式运算融合多点加权模式识别方法，提高了算法的计算速度。

3 研究内容