基于CPSO—GM组合预测模型的短时交通流量预测开题报告
2020-04-15 18:15:58
1. 研究目的与意义（文献综述包含参考文献）
文 献 综 述
1. 选题研究的背景
2012年2月16日，北京市交管局宣布，北京机动车保有量已达到501.7万辆[1]。北京是全国路堵最严重的城市之一，即使实施了限号出行政策，在早晚流量高峰期间，整个城区的道路基本处于拥堵状态。因为交通拥堵问题，中国15座城市每天损失近10亿元。这些问题也并非我国的城市所独有，在日、美、英等国家，每年因交通拥堵所引起的经济损失分别为1000亿、630亿、340亿美元[2]。由于受到投资和资源的制约，或者有见效期短的局限，特别是在城市建成区难以通过拆迁来增建、拓建道路交通设施。以往解决交通堵塞的途径在当今社会越来越捉襟见肘。于是近年来，国内外学者越来越关注在已有的道路基础上建立智能交通系统（intelligent transportion system，简称its），从时间和空间上向出行者提供优化且高效率的交通诱导信息，来减低城市拥堵的状况，提高道路通行能力和服务质量。
2. 研究的基本内容、问题解决措施及方案
|
1.本课题要研究的主要内容： ①分析比较传统和当下新颖的交通流量检测方法 ②应用灰色GM（2,1）模型预测短时交通流量，将灰色GM（2,1）拓展为GM(2 ,1 ,λ,ρ) 模型预测短时交通流。 ③将交通流混沌学说与PSO算法相结合用于优化GM(2 ,1 ,λ,ρ) 模型中的参数λ和ρ，并运用Matlab编程实现对短时交通流量预测的实验仿真。 2.拟采用手段 灰色GM(2,1)预测模型精度偏低，为了提高其预测精度，提出了GM(2 ,1 ,λ,ρ) 优化模型，使灰色算法更加满足实际需要。有学者对短时交通流进行了混沌识别，表明其具备混沌特性，基于此本文将Logist混沌学的一些基本原理用于基本PSO算法进行优化，更加贴近课题实际。在综合考虑实时性和准确性的基础上，本文所采用的是CPSO#8212;GM预测模型，使用CPSO算法对GM参数λ和ρ做出改进，通过CPSO和GM方法的组合，使其在短时交通流预测的实时性和准确性有了很好的契合。 3.技术路线 混沌微粒群算法优化灰色GM(2 ,1 ,λ,ρ)预测模型参数λ和ρ的程序流程图如图1所示。 图1 CPSO#8212;GM预测模型程序流程图 |
