文献综述
1. 研究现状
随着社会经济的不断发展和交通量的持续增长,智能交通系统日益引起人们的关注,已成为未来交通的主要发展方向。发展智能交通系统可有效缓解交通拥挤的现象、提高运输效率、保障交通安全。短时交通流预测作为智能交通系统的重要功能之一，现已成为各国学者研究的重点[1]。短时交通流预测结果的实时性、准确性及可靠性是实现动态交通管理的基础，但由于短时交通流易受众多不确定干扰因素的影响，目前的预测结果都不尽理想。因此提高短时交通流的预测精度具有重要的现实意义，同时也面临着诸多挑战[2-3]。
短时交通流一般是指时间间隔不超过15min的交通流时间序列，具有延迟性、非线性、随机性和周期性等复杂的特征。针对这些不同特征，目前许多专家学者对短时交通流开展了的研究。Hong W C等[4]提出一种将连续蚁群优化算法与支持向量回归模型相结合的短时交通流预测模型。Kumar S V等[5]提出了季节性自回归移动平均模型,即通过不同的历史数据情形确定合理的周期，以得到有效的预测结果。Xiao X P等[6]提出了利用循环累加截断算子弱化其波动性的季节性GM(1,1) 模型。除了上述几种预测方法，还有许多其他用于短时交通预测的方法如回归分析，卡尔曼滤波模型，灰色模型[7]等。考虑到上述模型各有优缺，现今许多学者为了扬长避短提出了多种方法组合的混合模型。
在短时交通流预测方面，本课题研究的灰色预测模型以其建模数据少、预测精度较高、适用范围广等特点，近些年得到了广泛的研究和不断的发展与优化[8-11]。目前对GM(1,1) 模型的改进主要有参数的计算[12-14]、初值的选取[15]与残差的改进[16]三个方面。赵焕焕等[17]提出基于背景值和初值优化的灰色Verhulst模型。Bezuglov A等[18]提出利用Fourier级数对残差序列进行改进，并以此修正预测结果，提高短时交通流的预测精度。
2. 发展趋势
为了解决现存的交通拥堵问题，交通管理部门做了很多尝试，如采用先进的城市交通信号控制系统、大力发展公共交通、限行限号、建设快速路等措施。此外，交通管理部门还通过在交通系统中部署大量传感器设备（如摄像头、回路感应探测器等）来实现对交通的监控管理，通过收集交通数据并对其进行分析以实现对交通运输系统的智能化管理。为此有大量研究人员投入对智能交通系统的研究上。本课题所研究的短时交通流预测是智能交通系统研究的核心内容，同时也是交通流理论研究的重点。
高精度的短时交通流的预测可以有效帮助交通管理者提前了解交通现状，进而更科学的做出相关决策，是未来交通系统研究与发展的方向。因此高精度的预测模型是未来的研究热点。近年来国内外众多研究人员的把目光投向灰色预测。GM(1,1) 模型作为灰色预测模型的核心，在各个领域得到了广泛的应用。胡枫[19]基于马尔科夫模型对短时交通流预测进行了研究。孙波军等[20]提出一种可自动选择步长的灰色模型算法。唐万梅等[21]提出用二次插值构造模型中的背景值, 同时用最小二乘法对初值进行改进的 GM(1,1) 模型。然而，目前在实际的短时交通流预测过程中，因其数据具有复杂的随机性、非线性和季节性等特点，通常无法取得令人满意的结果。因此，对传统 GM(1,1)模型的优化还存在研究空间，也是今后研究的方向。
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。
