论文部分内容阅读
由于交通系统具有实时性、非线性和一定的复杂性,传统的预测方法已经不能满足要求。人们出行活动的增加也导致现代交通系统产生了大量的历史数据,所以如何从历史数据中挖掘出交通流量的规律,对于提高预测精度就变得至关重要。本文在国内外学者的研究基础上,采用数据挖掘技术,针对以往研究中不将不同日期的数据分开处理导致预测精度低这一缺陷,提出了一种结合聚类分析与BP神经网络的短时交通流预测方法。本文的研究工作主要包括以下几个方面:1.提出了一种与SVM结合的改进的Kmeans聚类算法。在聚类方法的选择上,采用经典的聚类算法-Kmeans算法。由于Kmeans算法在最佳聚类数的选择上不具有统一性,所以,本文提出一种结合SVM分类算法的聚类算法来判断最佳的聚类数k,并使用分类准确率和各类距离之和来最终确定k。实验证明了采用与SVM结合的改进的Kmeans聚类算法能够帮助Kmeans快速确定最佳聚类数。2.提出了一种与KNN结合的改进的Kmeans聚类算法。为了验证分类算法对改进Kmeans算法具有普遍性,采用另一种分类算法KNN与Kmeans结合来改进Kmeans,并通过实验验证了KNN结合Kmeans算法来确定最佳聚类数k的方法同样有效。3.提出了一种结合聚类分析与BP神经网络的短时交通流预测方法。根据不同日期的流量模式不同的原理,首先采用聚类算法将历史数据进行聚类分析,并以聚类的结果为依据,对待预测日期的数据采用分类算法预测其所在的类别,找出该类别有针对性地进行短时交通流预测。由于BP神经网络能够识别复杂的非线性系统,因此采用BP神经网络进行交通流预测。通过实验对比,结合聚类分析的BP神经网络预测方法比未结合聚类分析的BP神经网络预测方法准确率高。最后,本文对整个研究进行了总结,并提出了后续研究的方向。