论文部分内容阅读
随着我国汽车需求量和保有量持续快速增长,由此引起的交通拥堵、交通安全、尾气污染等问题日益给城市居民的生活带来严重影响。国内外的研究实践表明,通过建设信息化、智能化的交通管理系统是提高交通管理水平,缓解城市交通问题的有效手段。本文以广州市南沙区智能交通管控系统项目为研究背景,围绕道路交通流短时预测和智能交通管控系统的建设等方面展开,全文主要内容包括以下几个方面:(1)对本文的选题背景和研究意义进行了简要阐述,并对道路交通流的基本理论、交通流短时预测的基本概念、交通流数据获取方法以及基于道路交通流当量进行预测的数据预处理方法进行了简要介绍。(2)对经典BP神经网络预测算法进行研究,针对经典BP神经神经网络模型的收敛速度慢和容易陷入局部最小值的缺点,利用梯度下降法和牛顿法进行改进,然后对改进后的BP神经网络基于车流量当量数据进行仿真验证。仿真表明,改进后的BP神经网络预测模型整体具有较好的预测效果,但在流量突变等情况下预测效果有待提升。(3)考虑到改进的BP神经网络预测模型在流量突变等情况下预测效果较差的问题,分别采用了基于经验划分和基于K-means聚类划分的混合模型进行改进,其整体思路是先采用经验方法或K-means聚类方法对交通流进行分类,然后根据分类结果将交通流分割为几个具有较大关联度的区域,再对每个区域建立相应的预测模型。仿真分析表明,两混合模型对道路车流量突变等情况均能够显著提高预测的准确度,且两类混合模型在整体预测效果上也分别具有5.62%和11%的提升。综合对比表明,基于K-means聚类算法的混合模型的改进效果优于基于经验划分的混合模型6.39%。(4)最后,综合考虑南沙区智能交通管控系统建设的业务需求和系统建设要求。详细完成了整个系统的逻辑功能设计、整体技术框架设计、数据库系统高可用设计以及系统逻辑业务模型设计等工作。同时,针对整个智能交通管控系统的实现也作了较为详细的介绍,并对系统的测试也进行了详细的说明。