文献综述
本课题研究的现状及发展趋势：
1. 研究现状
智能交通系统是充分发挥现有交通基础设施的潜力、提高运输效率、保障交通安全、缓解交通拥挤的有力措施。作为交通诱导和控制协同的基础,短时交通流预测是智能交通系统的核心内容,同时也是交通流理论研究的重点。短时交通流预测的结果可以直接应用到先进的交通控制系统和先进的交通管理系统中,给出行者提供实时有效的信息,帮助他们进行更好的路径选择,以达到缓解交通拥堵、减少污染、节约能源的目的[1]。
短时交通流通常具有延迟性、非线性、波动性、周期性和时空依赖性等复杂特征。基于交通流的不同特征，目前已有许多方法用于交通流预测。如自回归线性方法、非参数统计回归预测方法、神经网络预测方法、支持向量机预测方法、组合交通预测方法等。具体也有许多专家学者对短时交通流开展了研究。如康军等提出了一种基于高斯过程回归的短时交通流预测方法[2]，李松等提出了基于改进粒子群算法优化BP神经网络的预测方法[3]，刘钊等提出了一种组合的预测模型[4]，KUMAR等根据短时交通流周期性波动的特征提出了SARIMA模型[5]。
2. 发展趋势
在智能交通系统的研究和发展中，建设先进的交通信息系统是解决交通拥挤，保证交通安全、提高交通网络使用效率的主要手段之一。灰色预测具有建模数据少、预测精度较高、适用范围广等特点，已被广泛应用于短时交通流预测。但由于短时交通流具有复杂的波动性和非线性，并且呈现出季节性的特点，直接利用传统GM(1,1)预测，精度不高。许多学者从多个角度进行了改进。如郭欢等引入了GM(1,1|tau;,gamma;)模型[6]，LIU等建立了滚动GM(1,1)预测模型[7]，谭冠军等通过重构背景值的方法提高GM(1,1)模型的预测精度[8]，HSU等用Fourier级数对预测的残差进行了改进[9]。
本课题研究的意义和价值：
随着社会经济的快速发展和城市规模的不断扩大，人们对交通运输质量和需求日益增加。交通运输系统是否完善，交通管理系统是否合理，已成为影响人们生活质量的重要因素，也是衡量一个国家现代化程度的标志之一。智能交通系统是对通信、控制和信息处理技术在运输系统中集成应用的统称，智能交通系统有助于最大程度的发挥交通基础设施的效能，提高交通运输系统的运行效率和服务水平，为公众提供高效、安全、便捷、舒适的出行服务。正确的交通流预测是智能交通系统中实时交通信号控制、交通分配、路径诱导、自动导航、事故检测等的前提,实时准确的交通流预测是这些系统实现的前提和关键,交通流预测结果的好坏将直接影响交通控制和管理的效果。
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
