短期交通流量预测

小波神经网络的时间序列预测-短时交通流量预测

%% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n);

d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end

交通流量的神经网络预测研究

交通流量的神经网络预测研究 [摘要]交通流量预测问题是交通信息预测的核心问题，进行交通流量预测理论体系的研究，对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析和介绍，并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据，我们采用了分区间段进行数据整理，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。 [关键词]交通信息交通流预测 BP神经网络

Research on neural network prediction of traffic flow [Abstract] Traffic flow forecasting is the core problem of traffic information prediction,theory system in the prediction of traffic flow,is very important for improving our countrytraffic congestion has academic value and practical significance.Th is paper based on summarizing the domestic and foreign research results,analyzes and introduces the existing traffic flow forecasting methods, andanalysis to predict the traffic flow by neural network. based on centralized distribution of traffic flow and combined with the actual traffic flow data. We use the inter partition of data processing during the process of BP neural network can be used to traffic flow prediction by comparing the predicted results ,proves that BP neural network has the good forecast effect. [Keywords] Traffic Information Traffic flow Prediction BP neural network

交通预测模型【对各种交通流预测模型的简要分析】

交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。

几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，

短期交通流量预测

短期交通流量预测 摘要 交通流量是一种对于一段时间在某个路口通过的交通实体量，在现在的社会中，智能运输系统等交通理论的研究已经渐渐成为发达国家的研究对象，而交通流量预测分析是其中的核心研究之一。所以，对于交通流量的预测成为叩开智能交通系统大门的最有力的那一把钥匙。 在前面，我们首先面临的一个问题是对于数据的处理。题目以15分钟为一个时间段来测量交通流量，一共有三天的数据，应该有288个数据，但是题目只给出了276个。另外，在数据中还有两个为负的数据。面对缺失数据和异常数据，我们分别使用了热卡插补法和平均值填补法来解决。 然后在进行预测时，我们分别使用了不同的软件来建立不同的预测模型。首先我们使用了灰色预测GM软件来进行灰色模型的预测，在预测前，我们先用模型和前两天的交通流量来预测第三天的交通流量，然后将第三天的真实交通流量与预测交通流量进行相关性检验，检验通过后，再用于预测第四天的交通流量，最后评价模型的好坏。 接着，我们使用了spss软件来进行回归分析模型的预测。在预测之前，我们需要先对数据进行相关性检验，若没有相关性，则回归方程会没有意义。接下来，通过对回归方法的决定性系数检验和方差分析检验，得到最合适方法。之后再进行第四天的预测及预测结果的评价。 然后，我们使用了metlab软件来实现BP神经网络模型的预测。BP神经网

络的实质是用已给出的数据来推出需要的数据，并将新预测出的数据重新返回输入中，得到误差，一直重复，直到误差到达合理的围。在预测之前，我们先得出了误差在合理围，并且看到已给出数据的真实值与预测值得对比。在确保模型是可用的之后，在进行预测与预测结果的评价。 最后，我们使用了eview软件来进行时间序列的预测。时间序列预测要求数据必须是平稳的，所以在预测前，先要对数据进行ADF检验，在检验通过后，才能进行预测，得到预测后的表达式和残差。在最后，还必须对残差进行分析估计。这样之后，对模型进行评价。 在本文的最后，我们进行了进一步的讨论和改进，对四种预测方法进行了一个比较，判断出那个模型是最适合这个题目的。并且对文章中所涉及的模型进行推广，使其更便于运用于生活实际中。 关键词：eviews 热卡插补法相关性检验神经网络时间序列ADF检验

基于四阶段法的城市轨道交通客流预测模型研究开题分析报告

基于四阶段法的城市轨道交通客流预测模型研究开题报告

————————————————————————————————作者：————————————————————————————————日期： 2

毕业设计（论文）开题报告 姓名学号专业 设计（论文）题目基于四阶段法的城市轨道交通客流预测模型研究 1. 毕业设计(论文)的目的及意义（含国内外的研究现状分析）： 1.1研究的目的及意义 1.1.1研究目的 随着我国经济快速发展，城市化进程日趋加快，城市人口规模和机动车数量急剧增加，直接导致交通出行量大幅增加，由此引发一系列的交通问题，其中交通拥堵问题最为突出。解决该问题的方法除了控制车辆增长速度以外，大力发展城市轨道交通是一个重要解决手段。 城市轨道交通对城市的发展模式和布局有着重要影响，而城市轨道交通客流量预测是轨道交通建设的基础和前提，在轨道交通建设项目可行性研究和交通状况评价过程中都需要进行交通情况调查和交通量预测。因此城市轨道交通客流量的预测直接关系到城市轨道交通项目建设的科学性和合理性，具有重要的现实意义和理论价值。 1.1.2研究意义 城市轨道交通客流预测是城市轨道交通项目建设的一项重要的基础工作,是确定城市轨道交通建设规模和站点布局的重要依据,是城市轨道交通网络合理规划和初步运营的前提条件。目前，传统的四阶段客流预测方法被广泛地应用于交通客流量预测，虽然这些实践工作为四阶段法进行轨道交通客流预测提供了借鉴以及理论实践案例,但是由于轨道交通自身的特点,运用四阶段法预测交通客流时,考虑的因素和预测程序都较为复杂，因此在研究和实践过程中,传统四阶段法还存在不足之处,为了使四阶段法的交通客流预测结果更能符合城市轨道交通的特点,使其更加实用和完善,对其进行改进具有重大的现实意义和理论价值。通过本课题的研究，有助于发现传统四阶段法所存在的缺点，并对其进行改进，为轨道交通量预测提供新的方法和理论依据，更加合理地规划轨道交通网络和城市空间布局。 1.2国内外研究现状 1.2.1国外研究现状 针对交通量预测，HRB和BRP最先运用转移曲线法实现了交通量分配预测，Moore和Schneider等人在前者的基础上，建立全有全无模型进行交通量分配预测，但是预测结果容

曹安公路远期交通流量预测

曹安公路远期交通流量预测——以华江支路——嘉金高速段为基础 学院：交通运输工程学院 学号： 姓名：

目录 一、报告概述 (3) 工作目标 (3) 工作内容 (3) 技术路线 (3) 二、调查道路和交叉口概述 (4) 三、调查数据处理与现状分析 (4) 3.1调查数据汇总及标准车换算 (4) 3.2路段流量推算 (5) 3.3 AADT计算 (6) 3.4现状分析 (7) 四、远期流量预测 (8) 4.1基于弹性系数的远期交通量预测 (10) 4.2基于线性回归的远期交通量预测 (11) 4.3基于人工神经网络为融合基础的远期交通量组合预测 (12) 五、预测结果分析 (14)

一、报告概述： 工作目标 根据曹安公路华江支路——嘉金高速段历年交通流量数据，综合现场调查结果，预测该段2020—2025年年平均日交通量，并对未来曹安公路道路建设工程提出合理意见。 工作内容 现场数据采集：收集曹安公路华江支路——嘉金高速段两交叉口早晨8：00—9：00车流量； 数据处理与分析：（1）现状与历年流量的差异及差异出现的原因（2）变化趋势与历年趋势的对比，说明影响预测结果的主要影响因素及产生原因（3）预测结果分析 技术路线

二、调查道路和交叉口概述 本次调查区段为曹安公路华江支路—嘉金高速段，共有两个交叉口，分别是翔江公路交叉口和翔封路交叉口。两交叉口相对位置如下图所示： 三、调查数据处理与现状分析 3.1调查数据汇总及标准车换算 将实测的分车型交通量转换为标准车流量。换算系数如下： 各交叉口流量调查及标准车换算

3.2路段流量推算 以采集数据的两个交叉口：翔江公路及翔封路，把华江支路——嘉金高速区段划分成三个路段：华江支路—翔封路，翔封路—翔江公路和翔江公路—嘉金高速。采样时间段内（8：00—9：00）各路段统计交通量如下：

短时交通流预测研究综述

短时交通流预测研究综述 摘要：道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础。本文概述了道路交通流预测方法的发展历程,分析比较了各预测模型的优点、缺点及适用情况,给出了道路交通预测的一般流程。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于检测器优化选择的短时交通流预测算法的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;以预测的均方误差最小为目标函数，通过遗传算法优化选择合适的检测器，以小波神经网络作为预测算法进行短时交通流预测具有很高的精度和适用性。 关键词：交通工程；交通流理论；短时交通流；预测模型;神经网络算法 Research on Short-Time Traffic Flow Forecasting Methods LIU Jia-tong (1. Department of Bridge Engineering, School of Highway, Chang’an Unversity) Abstract:Prediction of road traffic flow is one of the key technologies of intelligent transportation system. This paper summarizes the development of road traffic flow forecasting methods, analyzes and compares the advantages, disadvantages and application of each forecasting model. The existing prediction methods are classified based on the method of statistical analysis: Based on the theory and methods of nonlinear theory and traffic detector based on the optimal selection of flow prediction algorithm based on prediction method and neural network method. The prediction effect of comprehensive prediction model of artificial neural network model and other fields combined than single neural network prediction model and the conventional prediction; to minimize the mean squared error as the objective function, the genetic algorithm to choose the appropriate detector with the wavelet neural network as prediction algorithm of short term traffic flow forecasting high precision and applicability. Keywords:Transportation Engineering; Traffic Flow Theory; Short-termTraffic Flow; Prediction Model; Neural Network Algorithm

基于改进GMDH算法的路口短时交通流量预测

一一收稿日期:2014-05-29;修回日期:2014-08-20三 一一基金项目:国家自然科学基金资助项目(61374116);中央高校基本科研专项基金资助项目(2014202)三 一一作者简介:王明月(1990-),女,江苏扬州人,硕士研究生,主要研究方向:控制理论与控制工程;一王晶(1960-),女,辽宁沈阳人,副教授,硕士,主要研究方向:系统工程二经济控制论;一齐瑞云(1979-),女,安徽人,教授,博士,主要研究方向:模糊自适应控制;一陈复扬(1967-),男,江苏扬州人,教授,博士,主要研究方向:自适应控制二道路交通管理三 文章编号:1001-9081(2015)S1-0101-03 基于改进GMDH 算法的路口短时交通流量预测 王明月,王一晶? ,齐瑞云,陈复扬 (南京航空航天大学自动化学院,南京210016) (?通信作者电子邮箱wangj_9989@https://www.360docs.net/doc/5317083595.html,)摘一要:城市交通是一个复杂的大系统,实时而准确的短时交通流量预测,可以为城市交通诱导和控制提供科学支持三针对GMDH 算法建模泛化能力差的问题,结合集成学习的思想对GMDH 算法进行改进,并将改进的算法应用到短时交通流量模型的构建中三结果表明,该方法可以有效地对短时交通流量进行预测,建模平均相对误差为1.10%,预测相对误差为0.58%三 关键词:智能交通系统;短时;交通流量;GMDH ;预测中图分类号:TP181一一文献标志码:A Short-term traffic flow forecasting on grossroads based on improved group method of data handing WANG Mingyue,WANG Jing ? ,QI Ruiyun,CHEN Fuyang (College of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing Jiangsu 210016,China ) Abstract:The urban traffic is a complex large system,actual and accurate traffic flow prediction can provide scientific support for urban traffic guidance and control.Ensemble learning is introduced to improve the general ability of classical Group Method Of Data Handing (GMDH )algorithm.The short-term traffic flow model was built based on improved GMDH algorithm.Experimental results indicate that the average relative error of the model is 1.10%,and the relative error of prediction is 0.58%.Thus,this model is an efficient method to the short-term traffic flow forecasting. Key words:intelligent traffic system;short-time;traffic flow;Group Method of Data Handing (GMDH);prediction 0一引言 近些年来,随着智能交通系统(Intelligent Transport System,ITS)的蓬勃发展,智能交通控制与诱导系统已经成为ITS 研究的热门核心课题,而实现该系统的关键是实时准确的短时交通流量预测[1],即有效利用历史数据和实时交通信息去预测未来一段时间的交通流量三 目前关于交通流量预测的模型较多,其中传统的统计算法模型有历史平均模型二自回归滑动模型二移动平均模型二线性回归模型二卡尔曼滤波模型[2]等,这类模型考虑因素相对简单,计算较为简便,具有静态稳定的优点,但是不能准确反映交通流过程的动态特征;基于人工智能技术的模型的典型代表为人工神经网络[3]模型,该模型具有较强的动态非线性映射能力;最后是组合预测模型,即把几种模型按某种方式组合,以充分发挥各单项模型的优点,从而提高预测精度三 GMDH(Group Method of Data Handling)[4]模型属于人工智能模型,它是由乌克兰科学院Ivakhnenko 院士在1967年提出并发展起来的一种启发式自组织建模方法,也是自组织数据挖掘(Self-Organizing Data Mining,SODM)方法的核心算法三该方法能够有效地对复杂多变量系统进行辨识,预测结果良好三GMDH 算法建模能够根据输入二输出变量原始的信息构造出模型,从而进行自选择三GMDH 算法建模是用多项式处理数据,在结构上有自组织二全局优选的特性,因此GMDH 非常适合用于复杂系统的建模,但是GMDH 方法建模 有时得到的模型泛化能力较差三 1一短时交通流量特性 交通流量是指单位时间内通过道路某一地点或某一断面 的实际车辆数,又称交通量三交通系统是由人二车辆和道路共同作用的复杂系统,人们出行行为的总体规律性及城市道路网络通行条件的实际约束决定了交通流量具有随时间和空间不断变化的特征[5]三一般认为,短时交通流量的时间间隔不超过15min [6]三短时交通流量的特性主要表现为动态变化性二时间相似性和空相似性三 1)动态变化性三 城市道路的交通流量是由交通需求二路网条件二交通管理 控制方案二公共交通出行比例二信息诱导等共同作用的结果,所以交通流量时刻在变化三 2)时间相似性三 在对交通流的研究中发现,相同路段以周为周期的交通 流量曲线,相似程度最高,规律性最强[7]三因此,可以把历史数据分为两类:工作日(星期一至星期五)交通流量数据和周末(星期六二星期日)交通流量数据三 3)空间相关性三 城市道路交通系统是一个非常复杂的网状结构,多个路 段的交通流量之间存在密切的相互联系三相关路口的交通流量在多种因素的影响下存在空间相关性三 Journal of Computer Applications 计算机应用,2015,35(S1):101-103,134一 ISSN 1001-9081 CODEN JYIIDU 一 2015-06-20 https://www.360docs.net/doc/5317083595.html,

交通流量的预测

小交通分析 1、道路交通量分析 拟建道路为城市支路，道路车型比较表如1-1。规定：车流量昼间按16小时计算，车流量夜间按8小时计算，夜间车流量按昼间的10%计算，高峰小时车流量按全天24小时交通量的10%计算，依据项目设计单位提出的高峰期交通预测值，得出拟建道路车流量小时流量预测结果如表1-2。 建设期安排： 运营期安排： 交通预测从运营期开始预测，a为道路的交通设计年限，车包含非机动车。 2、交叉口交通量分析： 道路交叉口交通流量流向对道路所在区域的路网存在着较大的影响，同时交叉口的交通情况反映道路的服务水平。 1）道路交叉口类型： 拟建道路为双向N1车道，道路等级：城市X路。 平交道路XX路为双向N2车道，道路等级：城市X路。 拟建道路与规划（现状）XX路平交，为“十”（“T”）字型交叉口。 拟建道路在该交叉口依据道路红线规定，拟定采用X进口道，Y出口道。 2）道路交叉口交通组织采用： 交叉口东口：为XX路采用绿化带（隔离栏）进行机非分隔，路面具有较详

细的标线，机动车道进口道n1个，出口道n2个，非机动车进、出口道各1个。 交叉口西口： 交叉口南口： 交叉口北口： 3）交通状况分析 拟建道路交叉口依据相邻的交叉口交通流量情况，可用于待建交叉口分析，即拟定待建交叉口与相邻交叉口交通流量情况一致。 相邻交叉口现状分析： 通过实地观察，机动车与非机动车高峰小时交通量发生在08:00~09:00（17:00~19:00），为上（下）班时段。推测：拟建交叉口高峰时流量数据如下表： 表1-3 图1：XX路与XX路交叉口交通流量流向示意图

4）交叉口控制状况 方案一：交叉口拟定采用两相位定时信号控制，信号阶段图如下图所示： 优点： 缺点： 方案二：交叉口拟定采用X相位定时信号控制，信号阶段图如下图所示： 优点： 缺点： 方案一与方案二的比较

XX市道路交通流量分析与预测系统

目录 第1章总体描述 (1) 1.1 建设背景 (1) 1.2 建设目标 (1) 第2章现状及需求分析 (2) 2.1 现状 (2) 2.2 存在问题分析 (2) 2.3 需求分析 (2) 第3章系统设计方案 (3) 3.1 系统架构 (3) 3.1.1 技术架构 (3) 3.1.2 系统部署设计 (4) 3.2 功能设计 (5) 3.2.1 功能架构图 (5) 3.2.2 流量统计 (6) 3.2.3 流量对比 (6) 3.2.4 流量预测 (6) 3.2.5 行程分析 (6) 3.2.6 流向分析 (6) 3.2.7 交通状态预警预报 (6) 3.2.8 交通出行特质分析 (7) 3.2.9 交通运行现状评价功能 (7) 3.3 业务流程说明 (8) 3.4 数据库设计 (8) 3.4.1 数据库表汇总列表 (8) 3.4.2 数据库表结构设计 (10) 3.4.3 系统接口 (14) 3.4.3.1 与流量采集系统之间的系统接口 (14) 3.4.3.2 与外部流量应用系统的接口 (14) 第4章软件和硬件设备配置 (15) 4.1 硬件配置依据 (15) 4.1.1 软件所需（事务处理能力）TPC的计算 (15) 4.1.1.1 数据库服务器 (15) 4.1.1.2 应用服务器 (15) 4.1.1.3 WEB服务器 (16) 4.1.2 存储空间设计 (16) 第5章系统配置清单 (17) 5.1 硬件设备清单 (17) 5.2 应用软件清单 (18)

第6章投资估算 (18) 6.1 应用软件 (18) 6.2 系统软件 (19) 6.3 硬件 (19)

交通预测方法(注意)

交通需求预测方法 08级交通工程2班陈刚 0803030218 第一章短时（微观）交通需求预测 短时（微观）交通预测，与中观和宏观意义上的以小时、天、月甚至是以年计算的基于交通规划的战略预测有着本质区别。 短于15分钟的交通流预测称为短时交通流预测。现阶段的预测方法如下： 一、非参数回归模型 非参数回归模型是近几年兴起的一种适合非线性的、不确定的动态系统的非参数建模方法。它不需预备知识, 只需足够的历史数据, 寻找历史数据中与当前交通特征相似点, 并用那些相似点预测现阶段交通下一时刻值。因此,特别是在有突发性事件时, 预测结果要比参数建模的方法精确。 非参数回归作为一种无参数，可移植、高预测精度的算法, 它的误差比较小, 且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进, 使其可以真正达到实时交通流预测的需求。并且这种方法便于操作实施, 能够应用于复杂环境, 可在不同的路段上进行方便地预测。 二、历史平均模型法 算法定义为 ()(1)() V new AV A V old =+-。式中，() V new代表某路段在一定时间间 隔内新的交通流量； () V old代表该路段在相同时间间隔内旧的交通；V为交通流量；A为 平滑系数。 历史平均模型算法简单, 参数可用最小二乘法进行估计计算, 可以在一定程度内解决不同时间、不同时段里的交通流变化问题。但它不能反映动态交通流基本的不确定性与非线性的特点,尤其无法克服随机干扰因素的影响, 没有办法应对交通系统中的突发性事故。 三、神经网络模型 先进的交通控制系统不仅应当具备已有系统的优点, 更为重要的是要能充分利用不断积累的经验,有效地产生控制策略, 使模型具有根据历史数据进行学习、经验积累和不断完善的能力。鉴于这样的发展思路和要求, 神经网络由于其自身特有的自适应性和自学习的优势, 在实时交通流预测领域的应用变得非常活跃。其是在交通流量预测方面很有潜力的一种模型。 其中比较有代表性的有：BP神经网络模型（及其改进模型）、单元神经网络模型、基于谱分析的神经网络模型、高阶广义神经网络模型、模糊神经网络模型等。 四、时间序列模型 Ahmed和Cook于1979年首次在交通流预测领域提出了时间序列模型。经过一定的发展，其中比较有代表性的有ARIMAO模型、ARIMA模型、（0,1,1）模型等。下面重点介绍ARIMA 模型。 ARIMA模型假定数据序列是由某个随机过程产生的，它把事物在某一固定时刻的状态视

交通流量预测

大学生数学建模竞赛湖南赛区组委会 湖南省数学建模与数学实验创新训练中心 交通流量预测 随着城市规模的扩大，车辆数量的增多，城市交通状况日益恶化。由于资源的限制，仅靠新增道路或改造现有道路，不能完全解决这一问题。越来越多的城市开始研究智能交通系统，以提高现有道路的通行能力，缓解交通压力。交通流量预测是构建智能交通系统需要解决的一个基本问题。很多城市使用ATR（Automatic Traffic Recorders）在事先选定的路段收集交通数据。ATR是在路面嵌入磁环，以探测金属并将这一信息转换为流量数据。 现需要你设计一种算法来预测特定道路的拥塞程度。训练数据是模拟某城市交通拥塞情况得到其中10条道路交通流量的时间序列值。每条道路的每个时间点记录两个相反方向的交通流量值。拥塞程度用连续一分钟内通过某道路的车辆数来衡量。交通流量模拟软件以10小时长为一个模拟周期。在一个周期中，每辆车的起点和终点的分布每60分钟随机交换一次。模拟每10小时重新开始。训练集中包括1000小时的模拟数据，分为100个10小时长的独立周期。不同的周期以空行隔开。每一周期内的各行是连续各分钟内的数据。每行有20个值，即10条路两个相反方向的拥塞值。每行20个值与道路的对应关系参见附件2。 测试集是另外1000小时的数据，分隔为60分钟长的窗口，但是每个窗口只给出前30分钟的数据，后30分钟的数据需要你们进行预测（预测相邻10分钟内的车辆总数即可）。每个窗口有30行记录。不同的窗口用空行隔开。测试集中的窗口是随机排列的。 任务： 1、设计一种算法对道路的拥塞程度进行短期预测。 2、给出测试集中每个窗口的第41至第50分钟的道路拥塞程度的预测值（即10分钟内的车辆总数）。 3、如果经费有限，不能一次性在所有道路布设ATR，请给出布设的原则或建议。 注：预测结果必须以纯文本文件提供，行的顺序与测试集中的窗口相对应，每行包括20个以空格分开的预测值。行与行之间不留空行，总共应有1000行。预测值不必是整数。具体格式参见附件5. 附件说明： 1、street_graph.txt：街道节点及连通信息。分为两部分，Nodes为节点信息Edges为连通信息。Nodes部分每行三列，分别为节点编号、纬度、经度。Edges部分每行5列，分别为节点1的编号、节点2的编号、长度、车道数、平均车速。 2、street_id.txt：所选定道路的信息。包括列号，道路名称，方向，起始节点ID。注意，street07和street08两条道路的两个方向的流量数据不相邻。 3、traffic_training.txt：训练集 4、traffic_test.txt：测试集 5、traffic_example.txt：预测结果示例，即基准测试解。你所提交的预测结果应与该文件格式相同。（基准测试解是计算每个窗口已知部分的最后10分钟（即第21至第30分钟）的车辆总数得到的。）