论文总字数：28659字

摘 要

由于时代的进步和科技的发展，汽车出行成为了人们日常出行的最主要的选择之一。但是由于汽车数量的增加、道路容量的有限性以及驾驶员在选择出行路线时的信息不对称等多种原因造成了道路拥堵，出行时间被浪费在堵车上。

尽管智慧交通这一概念已经被提起了很多年，但是很大一部分城市只是仅仅将这个“智慧”停留在对城市当前的交通量的实时监测以及对历史数据的静态处理上面。但是，我认为更重要的是通过建立模型，然后提供短期的历史数据得出当前的实时动态，并将信息传递给驾驶人，以此打破信息的缺失，使其做出更好的决策，一定程度上从源头解决交通堵塞问题。同时方便了交通管理部门合理安排资源分配。

首先，由于本文是基于天池数据竞赛的，数据来源是大赛给的数据集。这个数据是某个城市在2016年3月到5月全天的和2016年6月早上六点到八点的交通数据集，但是存在一定的缺失。那么我的第一步是对缺失数据的补全和数据清洗。

接下来的工作基于BP神经网络模型对未来，也就是说在这个题目里面是所要求的2016年6月早上八点到九点期间的travel time数值。

本文在运用BP神经网络模型时做了以下工作。第一，阐述我做这个研究的意义，不仅仅是为了完成这道数模题，还是为了深刻了解如何进行短期交通流预测，以及这样做有什么好处。第二，做数据预处理，与此同时分析哪些因素可以作为深度学习时要用到的因子。第三，对认为有意义的影响因子进行量化，即这个因子对最终结果的量化影响。最后进行训练模型，定参，根据结果进一步阐述预测短期交通流的重大意义。

神经网络作为现在被运用广泛的，使用简便的数学模型，比起其他的自回归模型存在什么优势和劣势。

关键词：交通流 预测 神经网络 BP神经网络 智慧交通

Abstract

Due to the progress of the times and the development of technology, car has become one of the most important choices for people to travel daily. However, due to the increase in the number of cars, the limited road capacity, and the information asymmetry of the driver when choosing a travel route, road congestion is caused, and travel time is wasted on traffic jams.

Although the concept of smart transportation has been mentioned for many years, a large part of cities only rely on this “wisdom” to monitor the current traffic volume of the city and the static processing of historical data. However, I think it is more important to break the lack of information and make better decisions by establishing models and then providing short-term historical data to derive current real-time dynamics and passing information to the driver. Therefore, the traffic problem must be solved from that. And it is convenient for the traffic management department to arrange resource allocation reasonably.

First, because this article is based on the Tian Chi data contest, the data source is the data set given by the contest. This data is a traffic dataset for a city from March to May 2016 and from 6 am to 8 am in June 2016, but there is a certain lack. Then my first step is to complete the missing data and clean the data.

The next work is based on the BP neural network model for the future, which means that in this topic is the required travel time value between 8 am and 9 am in June 2016.

This paper did the following work when using the BP neural network model. First, explain the significance of my research, not only to complete this numerical model, but also to understand how to predict traffic flow and the benefit. Second, do data preprocessing, and at the same time analyze which factors can be used as factors in deep learning. Third, quantify the impact factor that is considered meaningful, that is, the quantitative effect of this factor on the final result. Finally, the training model is set and the parameters are fixed. According to the results, the significance of predicting traffic flow is further elaborated.

Neural networks, as a widely used, easy-to-use mathematical model, have advantages and disadvantages over other autoregressive models.

Key word：Traffic flow, Prediction, Neural network, BP neural network, Smart traffic

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1研究背景及意义 1

1.2本文研究内容及研究方法 1

第二章 文献综述 3

2.1交通流的特性 3

2.1.1短时交通流预测方法的特征 3

2.1.2短期交通流可预测 3

2.2短时交通流预测原则 4

2.3国内外研究现状 5

第三章 研究方法 8

3.1神经网络模型 8

3.1.1BP神经网络 8

3.1.2小波神经网络 9

3.2时间序列模型 11

3.2.1ARIMA模型 12

3.2.2MA模型 12

第四章 数据分析与处理 13

4.1数据分布特征及其分析 13

4.2数据处理 15

第五章 BP神经网络模型的短期预测 17

5.1建模思路 17

5.2模型构建 17

5.2.1参数设置 17

5.2.2网络设置 19

5.3训练模型 22

5.3.1参数矩阵 22

5.3.2测试结果 23

第六章 时间序列ARIMA模型 24

6.1基本流程 24

6.2观察值序列 24

6.3差分运算 25

6.4模型定阶 26

6.5模型建立 27

6.6预测结果及分析 28

第七章 模型检验 31

7.1检验思路 31

7.2检验指标 31

7.3检验结果 31

第八章 总结与展望 33

参考文献 35

致 谢 37

第一章 绪论

1.1研究背景及意义

近10年来，由于交通流研究与物品运输行业和科学技术的发展产生了越来越大的关系，这一课题逐渐成为社会科学研究中重要的一部分。目的不同，对于交通流的研究也有很多不同的侧重点。而发展到当今时代，我们对于交通流的研究要更多的偏向于生活方面。

剩余内容已隐藏，请支付后下载全文，论文总字数：28659字