罗 山
(攀枝花学院智能制造学院,四川 攀枝花 617000)
随着智能交通系统的高速发展,有效地缓解了交通拥堵、减少了交通事故的发生,而精确的交通流量预测作为交通规划、交通诱导、交通控制、制定出行方案等的重要前提,在智能交通系统中发挥着重要作用。交通流量预测是用现有相关的交通流数据,采用合适的预测方法并建立模型推测其未来状态的过程,目前以短时预测为主,短时是指预测周期不超过15分钟。
交通流量预测的方法不断被提出,基于统计学原理、非参数理论、卡尔曼滤波技术、小波理论、分形技术等方法被应用到短时交通流预测领域[1]。王春安提出了在Hadoop环境下利用MapReduce的分布式处理框架与BP神经网络相结合的预测模型,该模型利用BP神经网络的MapReduce并行化在保证预测精度的同时减小预测时间,达到预测的实时性[2]。邢珊珊[3]针对城市快速路,开展了系统性的交通流预测研究,提出了适用于微波采集数据的数据预处理方法,并进一步考虑时空特性的交通流预测方法。弓晋霞[4]则针对高速公路交通量进行了系统性的预测研究,提出的高速公路交通量预测模型减小了预测误差,为交通量预测方面的研究提供了方法参考。但现有的预测方法存在一些不足,而BP神经网络具有分布式信息存储、非线性函数逼近、自适应学习能力强等优良性能[5],在短时交通流量预测精度方面具有优势,因此本文采用BP神经网络作为短时交通流量预测模型。……