基于遗传灰色GM(1,1,ρ)模型的短时交通流量预测

• 文档名称：基于遗传灰色GM(1,1,ρ)模型的短时交通流量预测
• 文档关注次数：1622
• 文档格式：纸质版或者PDF电子版（用Acrobat Reader打开）或Word版本doc格式
• 文档大小：262KB
• 上传者：nini00166
• 添加时间：2019/05/05
• 内容摘要：
  第20卷第13期
  电子设计工程
  2012年7月
  ol.20
  Electronic Design Engineerin
  Jul.2012
  基于遠传灰色GM(1,1,p)模型的短时通篪受预
  吴宝春,郑蕊蕊,李敏,杨亚宁
  大逹民族学院信息与通信工程学院,辽宁大连116600
  摘要:为了提高短时交通流量的预测糖度,本文根据短时交通沆量的数摒特征,结合灰色模型在短时预测方面的优
  势,利用道传算法根据已知数据优化灰色新陈代谢GM(1,1,P)模型的背景值参教p,对实时采集的交通流量数据进
  行仿真分析,实验结果验证了该模型的准确性、实时性和有效性。
  关键词;短时交通流量;预测;灰色模型;遗传算法
  中阳分类号:U491.1
  文献标识码:A
  文章编号:1674-6236(2012)13-0165-03
  Based on the genetic of gray GM(1, 1, P) of the model short-term
  traffic flow prediction
  WU Bao-chun, ZHENG Rui-rui, LI Min, YANG Ya-ning
  ( College of Formation and Communication Engineeing, al n Ntiol es Un, Dd 116600, Chin
  Atract: In oer to impove te accuracy of shor-tem trafic flow forecasting, this paper proposed a new forecast model, the
  genetic grey model. The model adopted genetic al orithm to optimize the proper background value of p based on the known
  short-tem traffic flow data. The model also used a metabolic structure to update its parameters. The experiments indicate that
  the genetic grey model has a high accuracy for the short-term traffic flow forecasting, and the model is effective and real time
  Key words: short-term traffic flow; forecast; Grey Model; genetic algorithm
  短时交通流量预测是智能交通系统的一个研究热点,实的预测模型,具有所需样本小、预测准确度高、运算量小等特
  时并准确的短时交通流量预测是实现交通控制和诱导的前点,非常适合于短期预,已成为短时预测的主要方法。文中
  提和技术基础,是影响智能交通系统可靠性的关键技术。短利用遗传算法根据已知数据优化灰色新陈代谢GM(1,1,p
  时交通流量预测是指利用预测算法分析已有的交通流量数模型的背景值参数p,采用遗传灰色GM(1,1,p)模型对实时
  据,对未来某段时间内的交通流量做出预测,以便及时采取采集的交通流量数据进行仿真分析,实验结果验证了该模型
  适当的交通控制和诱导措施,达到方便出行、缓解道路拥堵、的准确性、实时性和有效性。
  节能减排等目的い。由于交通控制的最大周期是2-3min,1遗传灰色GM(1,1,p)模型
  交通诱导的周期一般是5min,因此,短时交通流量预测一般
  指预测5~15min之内的交通流量。
  1.1灰色GM(1,1,p)模型
  目前对短时交通流量的预测主要采用的方法可分为两
  灰色模型( Gray Model,CM)是通过少量的、不完全的信
  类:即基于传统统计理论的方法和智能信息处理的方法同。由息,建立数学模型并做出预测的一种预测方法。由于道路交
  于道路交通系统是由人为参与、时变的复杂非线性系统,具通系统是一个动态的时变系统,具有一定的随机性,灰色系
  有高度的不确定性,受随机干扰影响大,规律性不明显,随着统理论针对时间序列短、统计数据少、信息不完全系统的分
  预测周期的缩小,这种随机性、不确定性和非线性愈强。因析与建模具有较强的针对性。
  此,传统的统计理论模型在预测精度和实时性方面难以达到
  对原始数据序列作一阶累加灰生成运算,使生成序列呈
  要求。神经网络等智能信息处理方法不需要严格的数学推
  定规律更适于建模。设Xの=(x(1),xe(2
  0(n)为
  导和明确的物理意义,对非线性和不确定性问题具有很强的非负序列,其中x(k)≥0,k=1,2,…,n。记X=(x"(1),x
  适应性,在短时交通流量预测中取得了显著的成效。但是神(2),…,x(n)为Xの的一阶累加生成序列,计算公式见(1)。
  经网络需要大量的数据进行训练,模型的结构参数等对预测
  x(k)=x"(k-1)+xの(k),Vk=2,3,…,nH
  结果的影响较大且依赖于人的经验。灰色模型是灰色理论阿
  (1)
  x()(1)=x0(1),
  收稿目期:2012-02-27
  稿件编号:201202155
  甚金项目:辽宁省博士科研启动基金资助项目(20111050);辽宁省教育厅项目(L2010094);中央高校基本科研业务费专项资金資
  助项目(DC120101134);大连民族学院人オ引进科研启动基金资助项目(20116203)
  作者简介:吴宝春(1989~),男,黑龙江双城人,硕士,助理エ程师。研究方向:智能信息处理与模式识别。