1、 目 录摘 要IIAbstractIII前 言1第一章绪 论11.1研究背景及意义11.2短时交通流预测国内外研究现状2第二章时间序列预测模型相关理论22.1时间序列模型预测概述22.2时间序列模型预测原理32.3时间序列预测算法4第三章短时交通流预测93.1短时交通流预测概述93.2短时交通流预测的评价指标93.3交通流数据的选择103.4数据性质11第四章运用时间序列模型进行短时交通流预测114.1运用三种时间序列算法进行短时交通流预测114.1.1趋势拟合法114.1.2平滑法164.1.3 ARIMA方法194.2预测结果对比分析214.2.1对一次指数平滑法进行拟合22第五章结束语2
2、35.1论文的优点235.2论文的不足23参 考 文 献24致 谢25附录：Matlab软件程序26 摘 要随着现代社会的高速发展，城市车辆越来越多。随之而来的，道路阻塞和交通事故层出不穷。这些交通问题严重影响着人们的出行,急需解决。解决这些问题就需要对某一路段未来某一时间段的交通状况进行科学的预测，从而为交通规划、运输业、交通管理、交通控制提供重要技术保障，实现交通智能化。本文从预防的角度出发，在考虑成本的条件下，利用已有的历史数据（车流量、车道占有率）运用时间序列模型对路段的未来短时交通流数据进行预测，为争取更多的时间解决将要发生的交通问题做好充分准备。 本文以贵阳市的实际测量交通流数据作
3、为训练样本，利用MATLAB编制程序，使用线性拟合、曲线拟合、移动平均法、指数平滑法和ARIMA模型进行预测、分析、比较。并对指数平滑法得到的结果进行了改进，提高了预测精度。关键词：交通智能化,时间序列,短时交通流,预测分析AbstractWith the rapid development of modern society, more and more cars appear in cities, which make the traffic congestion and the traffic accidents emerge endlessly. All these traffic p
4、roblems are not good for peoples travel, and need to be solved immediately. To solve these problems, we need to predict the traffic conditions of a road in a certain period of time in future. We can give important technical support to the traffic and transportation planning, the transportation, the
5、traffic management and traffic control, to realize intelligent traffic. From the perspective of prevention, our paper used the existing historical data (the number of cars, lane occupancy) and the time series model to forecast a short-term future traffic flow data of a road under the condition of co
6、nsidering cost and save more time for solving the traffic problems that will occur in the future.Using the actual measurement of traffic flow data in GuiYang as the training sample, our paper took advantage of the MATLAB programming and some methods( e.g. the linear fitting, the curve fitting, the m
7、oving average, the exponential smoothing and so on) to forecast, analyze and compare. Finally, we improved the result and prediction accuracy of the exponential smoothing method.Keywords: Intelligent Transportation, Time Series, the Short-term Traffic Flow, the Analysis of Prediction 前 言作为贵州省省会的贵阳，在
8、全省的文化、政治、经济各方面都占据着至关重要的位置，而且贵阳市人口众多，交通负担极大。截至2013年底，贵阳市有450万的城镇居民，达到97万辆的机动车保有量。贵阳是一个坐落在群山之间的城市，周围的山岭和高地在一定程度限制了它的扩大，因此它的未来发展比较难通过大规模扩建城市来进行，而主要应该通过对现有规模的城市进行合理规划，不断协调好城区各个部分的功能及其相互之间的影响。交通规划作为城市规划的重要环节，占据着很大的一部分比重，而且交通的规划还对城市的发展有着非常巨大的作用。随着经济的发展，有限的城市规模已容不下越来越多的车辆，严重的交通堵塞及其带来的问题严重困扰着人们的生活。因此缓解交通压力，
9、较好地规划与交通有关的系统，对城市未来的多方面发展至关重要。第一章 绪 论1.1研究背景及意义据有关部门统计分析，近年交通拥堵带来很大经济损失，使运输速率下降，交通事故频繁发生。加大对交通设施的建设是无疑是一种很好的解决问题的方法，但却要耗费巨资。由此，预测交通状况从而达到减缓交通拥堵、节约资金，无疑是一种极佳的平衡办法。也是未来交通必然的发展形势。为了使交通控制进一步达到智能化，实时准确的预测交通状态信息则成为实现智能交通诱导和控制的重要基础，同时也是交通智能化管理的重要需求。根据道路交叉口和道路主干道的断面交通数据流信息，利用模型算法进行短时交通流预测，并将信息提供给人们，方便出行者以此作
10、为出行路线选择的参考，方便人们根据车流量选择最优的出行路线，从而避免浪费过多的时间，使资源能得到充分利用，合理优化。其巨大的、长期的、潜在的收益是巨大的。综合看，城市交通拥堵预测的实际意义是不可估量的。1.2短时交通流预测国内外研究现状随着科技的不断发展，交通智能化正在慢慢的走进人们的生活，对城市道路主干道的交通流数据采集也越来越准确。目前，用环形线圈检测车流量是我国普遍采用的技术。一些先进的交通设备也逐渐开始被用来检测实时交通流量。然而，不管我们用什么器材来检测，对于智能交通来说，采集的数据始终是处于滞后的位置。而如果想对未来路段的交通状况进行预测，前提就必须预测出该路段的短时交通流数据。目
11、前，交通智能化在国内外的研究中还是处于不断发展的状态，对于交通流的短时预测还没有比较完善的理论成果。城市道路主干道交通流的中期以及长期流量预测研究成果较多，关于短时交通流预测的方法也有很多，但并没有特别成熟满意的定论。这与道路短时交通流数据的数据特性有很大的关系，预测值往往受到随机干扰因素的影响，导致不确定性很大，没有明显的规则性。关于短时交通流预测的模型有很多，在以往的研究中主要有：多模型融合预测、神经网络模型、Kalman滤波模型，多元线性回归模型、时间序列模型、历史趋势模型方法等。第二章 时间序列预测模型相关理论2.1时间序列模型预测概述 短时交通预测方法通常分为定量预测方法和定性预测方
12、法，定量预测主要包括回归分析预测和时间序列预测。回归分析预测法主要根据自变量与因变量之间的相关关系来构造数学模型，从而用自变量的预测值来实现对因变量未来状况的预测。时间序列预测法将预测对象的历史数据按照时间顺序排成时间序列，根据历史数据随时间变化的规律建立相应的时间序列模型，从而预测未来状况。 时间序列模型预测的主要目的是根据研究对象统计指标的历史数据建立尽可能适合的模型。根据数据的特点，往往将其进行因素分解，分为趋势项、季节项、随机项、循环项，如下：（1） 长期趋势（）。该因素会导致序列呈现明显的长期趋势。（2） 循环波动（）。该因素会导致序列呈现反复循环波动。（3） 季节项变化（）。季节因
13、素会导致该序列出现一定的周期变化。（4） 随机波动（）。除了 、外，序列除了上面因素的影响外，其他因素也会不同程度的影响序列造成序列的随机波动。因此在用时间序列模型进行短时交通流的预测过程中，针对有些方法可以分离其中的趋势项、随机项和季节项。时间序列预测的模型有很多，主要有线性模型，二次曲线模型，平滑模型、ARIMA模型等。 趋势拟合法的因变量是序列观察值，自变量是时间，并以此建立序列观察值随时间变化而变化的回归模型，主要建立线性模型和二次曲线模型。平滑法分为移动平均法和指数平滑法。移动平均法根据已经得到的历史序列，通过一个移动平均步长N ，求出预测期前N个时间点的历史数据均值，将结果作为预测
14、值。 移动平均法具有简便、直观和易懂等优点，同时容易从序列中排除季节项的干扰。指数平滑法是对移动平均法的改进。它克服了移动平均法的各期权重均为的缺点。2.2时间序列模型预测原理用时间序列预测前应将观测值，根据时间先后排成一列。时间序列模型预测，通过对观测数据做趋势分析图，根据趋势图所反映出来的数据变化过程和趋势，进行模型选择，通过模型的评价标准确定最佳的预测模型，用此模型进行预测，得到未来的预测值。主要包括：收集与整理历史数据资料；将历史数据按照时间排成序列；分析时间序列的表现出的趋势情况，寻找一个模型能够表现该时间序列变化规律，进而通过该模型去预测未来的情况。图2.2 是时间序列预测模型的基
15、本流程图。本文根据交通部门提供的历史数据，利用贵阳一环主干道的交通流数据（每5分钟一次反馈数据），数据具有规律性、随机性、时变性和相关性。模型预测的一般步骤： （1）数据处理：收集整理数据，对数据进行预处理，如采用中心移动平均法填补中间丢失的数据、删掉错误数据.（2）研究处理后的数据的变化状况。根据数据的图形，分析图形波动的趋势。 （3）根据数据的波动变化趋势，选择相对合适的模型和算法，利用选择的模型和算法进行预测分析。 （4）通过运用模型评价标准，对所有预测模型得到的结果进行对比分析，确定最佳模型，并进行改进。 （5）利用改进后的最佳模型进行预测，得到预测结果。 图2.2 时间序列预测模型的基本流程图2.3时间序列预测算法 时间序列有很多模型算法，如趋势拟合法、平滑法、ARIMA模型、自适应滤波算法等，其中趋势拟合法包括线性拟合和曲线拟合；平滑法包括移动平均法和指数平滑法。下面主要介绍趋势拟合法和平滑法以及ARIMA模型。一、 趋势拟合法趋势拟合法的因变量是序列观察值，自变量是时间，并以此建立序列观察值随时间变化而变化的回归模型，主要建立线性模型和二次曲线模型。现分别介绍如下：1. 线性拟合如果序列表现出线性的长期趋势，则往往可以
