论文总字数：26754字

摘 要

交通流量预测在智能交通系统中越来越重要。准确的预测结果是指导、管理和控制交通的前提。为了研究预测城市道路网短时交通流的方法，本文学习对比了自回归综合移动平均模型（ARIMA）、K最临近算法结合长短时记忆模型（KNN-LSTM）和粒子群算法优化下的反向传播神经网络模型（PSO-BP）在道路网短时交通流预测上的应用效果。ARIMA模型通过对不平稳时间序列的差分化处理，得到平稳时序数据后利用内生变量进行预测；KNN用于选择与测试路段相关的主要相邻路段，捕捉交通流的空间特征。利用LSTM方法挖掘交通流的时间变异性，采用两层LSTM网络分别预测选定路段的交通流。最后用秩指数加权法进行结果级融合得到预测结果；粒子群算法用于优化反向传播神经网络中收敛速度慢及容易陷入局部最小值等缺陷，在标准BP梯度下降法等基础上对网络权值和阈值进行修正，有效提高预测精度。利用天池数据集中提供的贵州省某地区实时交通流数据对以上三种模型的预测性能进行了评估。实验结果表明PSO-BP相较于ARIMA和KNN-LSTM模型具有较好的预测性能。

关键词：短时交通流预测；ARIMA模型；KNN-LSTM模型；PSO-BP模型

ABSTRACT

Traffic flow forecasting is becoming more and more important in ITS. Accurate prediction results are the prerequisite for guiding, managing and controlling traffic. In order to study the method of short-term traffic flow prediction in urban road network, this paper studies and compares the application effects of ARIMA, K-nearest algorithm combined with long-term and short-term memory model (KNN-LSTM) and particle swarm optimization based back-propagation neural network model (PSO-BP) in short-term traffic flow prediction of road network. ARIMA model uses endogenous variables to predict the stationary time series data by differential processing of the unstable time series. KNN is used to select the main adjacent sections related to the test sections and capture the spatial characteristics of traffic flow. LSTM method takes their original measures of mining the time restriction of traffic flow. At the same time, their network use two layers to select the specific sections. Besides, the method about index weighting are introduced to combine the data in order to get the results. Another algorithm method called particle swarm optimization algorithm is meant to find the optimistic disadvantages of spreading behind the neural network, Such as the lower coverage on the speed and the higher probability of falling into the minimum value. Based on standard BP gradient descent method, the network weights and thresholds are modified to effectively improve the prediction accuracy. The real-time traffic flow data from Tianchi data set in Guizhou Province are used to evaluate the forecasting performance of the above three models. The experimental results show that PSO-BP has better prediction performance than ARIMA and KNN-LSTM models.

Keywords：Traffic flow forecasting; ARIMA model; KNN-LSTM model; PSO-BP model

目 录

第一章 绪论 1

1.1短时交通流预测简介 1

1.1.1短时交通流预测概述 1

1.1.2短时交通流预测模型 1

1.2 国内外研究现状 3

1.3研究意义 5

1.4研究内容和方法 6

1.4.1研究技术路线 6

1.4.2组织结构 7

第二章 基本数据处理与算法分析 8

2.1数据处理 8

2.1.1数据来源 8

2.1.2数据预处理 8

2.2 ARIMA模型 10

2.2.1 ARIMA模型理论 10

2.2.2 算法流程 10

2.3 LSTM模型 11

2.3.1 LSTM与RNN 11

2.3.2 KNN算法 12

2.3.3 实现流程 13

2.4 PSO-BP模型 14

2.4.1 PSO粒子群算法 14

2.4.2 PSO粒子群算法流程 15

2.4.3 BP神经网络模型 15

2.4.4 BP神经网络原理 16

2.4.5 BP神经网络的构建 16

第三章 模型参数标定及对比 18

3.1预测模型参数标定分析 18

3.1.1模型参数标定方法 18

3.1.2隐层层数与隐层神经元数确定 19

3.1.3学习率与Batch size 确定 20

3.2研究结论 21

第四章 模型应用及分析 23

第五章 总结与展望 25

参考文献 27

致 谢 28

第一章 绪论

1.1短时交通流预测简介

1.1.1短时交通流预测概述

城市人口随时代发展正在不断增长，其流动性也随着交通发展不断增强，交通已成为市民、城市规划者和交通决策者关注的主要问题。在此背景下，智能交通系统(ITS)已成为交通管理解决方案中的一个关键要素。准确、及时的交通状态预测是其应用领域中的一个重要研究课题。因此，近年来开展了广泛的研究活动，考虑了解决这一问题的各种方法。流量状态预测的目的是根据历史或观测到的流量数据预测网络中未来的流量变量，如流量或速度。由于文献中绝大多数的预测模型都涉及到交通流，所以该问题也被称为交通流预测。当预测提前不到一个小时时，通常被称为短期预测。

短期交通流预测的目标是预测通常在15分钟范围内，太长的预测时间间隔会导致结果失去时效性。预测间隔时间越短，交通流变化的浮动越难以琢磨，随机性就越强，但也就越难发现其中的规律性。所以预测结果很容易受到各种因素影响的影响，如天气变化、地理位置、交通事故等等。

剩余内容已隐藏，请支付后下载全文，论文总字数：26754字