基于集成学习算法的高速公路短时交通流预测文献综述
- 研究背景
随着经济的发展和城市规模的扩大，高速公路的运营管理面临更高的要求和挑战。交通系统是一个巨系统，具有显著的复杂性、动态性、随机性等特点，准确地预测交通流量是智能交通系统的关键所在。本文主要研究了基于集成学习算法的高速公路短时段交通流的预测，为高速公路控制设计提供数据挖掘服务。
2．国外研究概况
国外学者对短期交通预测的研究开始较早，并且取得一定的应用效果。短期交通预测的建模方法主要有两种:有数学模型的预测方法和无数学模型的预测方法。
一些研究者寻找到了交通预测模型的建立方向。NicholsonSwann(1974)利用谱分析法预测交通流量，取得了令人比较满意的结果，但这种方法无法预测突发交通事件对交通流状态产生的影响。Ahmaed S.A和Cook AR.(1979)利用Box-Jerkins 技术对高速公路的交通流量进行预测，结果表明这种方法的精度有限。NancyL.Nihan 和Kje.Ho lmesland(1980)应用Box-Jerkins 技术和一路段4年的交通流量数据对该路段的交通流量进行预测，精度较高，但这种方法要求的历史数据较多，对建模者的知识水平和建模技巧要求较高。Gary ADavis 和Nancy L.Nihan(1991)应用非参数回归模型预测交通流量，此模型在某些情况下比时间序列预测模型的预测精度要高。P.C.Vythotkas(1993)提出了基于卡尔曼滤波理论的交通流量预测模型，计算结果比较令人满意。
Brian L. Smith 和Michael J.Demetsky(1993)利用神经网络方法预测交通流量，预测结果具有较高的精度，并且没有时滞现象。Maschavander Vort(1996)将神经网络与ARIMA时间序列模型相结合预测交通流量，使ARIMA模型具有更广泛的适应性和可移植性。CorinneLedoux(1997)建立了基于神经网络的交通流量预测模型，首先利用神经网络建立每个路段的交通流量预测模型，再建立整个路网的交通流量预测模型，并应用模拟的数据对模型进行了验证。
3.国内研究概况
相对于国外的研究，国内学者对短时交通预测的研究还处于理论探索阶段，离实用还有一定的距离。
关于短期交通的可预测性方面，天津大学的马寿峰教授等人作了比较深入的研究。他们从分形理论出发，通过判断交通流系统是否存在分形的自相似性，来确定交通流的可预测性，并据此得出采样间隔在5分钟到15分钟之间的短期交通流是可预测的结论，并且验证了方法的有效性。同时作者也指出，分形是短期交通流可预测性的充分条件，不存在分形并不能直接否定可预测性的存在。马寿峰等人的研究为短期交通的可预测性提供了理论上的依据。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
