论文部分内容阅读
为解决日益严重的高速公路拥堵问题,智能交通系统被广泛应用于交通管理中,有效缓解了交通拥堵、提高了道路通行能力。交通流量预测在智能化交通系统管理和动态控制中占有重要地位,大量交通数据为道路交通流量的分析和预测研究提供了有效的数据保障,是实现交通诱导的前提。自2012年10月1日,重要节假日小型客车免费放行政策实施以来,全国高速公路路网节假日期间流量出现了大幅度上涨,使得高速公路的拥堵状况更为严重。实时、准确的节假日流量预测数据能够协助交通管理部门进行交通诱导分流,缓解高速公路的拥堵状况,对路网交通规划和交通优化控制具有非常重要的作用。本文在对免费放行节假日交通流数据时空特性分析的基础上,提出了基于KNN站点筛选的融合互补集总经验模式分解和模糊神经网络支持向量机回归(CEEMD-FNN-SVR)的预测模型。首先采用基于差分欧氏距离的KNN算法进行相关站点的选择;其次将筛选所得的交通数据经过CEEMD处理后分为趋势项和随机项;再次,构建FNN-SVR随机项预测模型和融合GDP增长倍数的趋势项线性预测模型,并融合两个预测数据得到最终结果。最后,以江苏省苏州城区站附近多条高速公路的60余收费站2011年至2015年国庆节和劳动节的流量数据进行测试。经过仿真分析,得出以下结论:(1)改进距离的KNN方法能够有效筛选出与待测点相关的站点,优化训练集,减少预测误差;(2)CEEMD能够有效的分离出交通流数据的趋势分量和随机分量,预测误差比直接SVR模型减少10%;(3)本文提出的基于KNN的CEEMD-FNN-SVR模型能够对随机性较强的节假日流量进行准确的预测,且抗干扰性较强。从预测结果来看,该模型预测性能优于其他模型,国庆节流量预测中,该模型的预测误差在10%以内,相比单纯的SVR模型误差降低了10.2%,比DFT-SVR模型误差降低了1%;劳动节流量预测中,该模型预测误差为9.7%,比SVR预测误差降低了8.8%,比DFT-SVR模型误差降低了4.39%。