文献综述
论文题目 城市道路网短时交通流预测的特征研究
1 研究背景
当前，我国随着智能交通系统的发展，交通信息采集设备日臻完善。而且不同采集信息手段之间的数据交融不断加强，使交通数据系统的采集、处理能力得到提升，从而使得交通流的预测成为了可能。短时交通流预测是对交通流的历史数据和实时数据进行分析和预测，它可以用在许多与交通有关的方面，比如交通控制、交通诱导、交通预案和交通管理等等，其在交通领域中的重要性使得国内外交通领域的研究者不断对其研究方法进行拓展和挖掘。交通流预测特别是具有变化性、不确定性、非线性特点的短时交通流预测，为交通参与者答复实时有效的信息，为实现城市交通的动态诱导和事件预报等出行服务系统奠定了基础。
2研究目的及意义
我国的城市建设不断加快，社会经济发展日趋进步，人民生活水平提高，汽车保有量不断增加，新型的交通方式层出不穷，给人民的社会生活带来巨大的便捷和舒适。同时，巨大的交通问题也涌现出来：交通组织混乱，交通拥挤，交通污染等一系列的问题也随之出现。原本完善各种基础道路设施建设是一种解决交通问题的硬办法，但是在各方面条件的制约下，显然不能通过无限量扩大道路网来解决。要解决交通这个复杂的系统问题，人们把目光聚焦到交通系统内部，通过科学有效地优化现有的交通设施和出行状况，在技术上与现在先进的电子通讯技术，计算机技术，控制技术等等结合起来，智能运输系统就出现了。
智能运输系统有非常多的子部分。其中，城市道路交通流状态分析与预测，在现代智能运输系统中是不可缺少的一部分，它是智能运输系统能够有效实施的基础，它影响着传输道路建设的规划，而且是跟踪交通系统网络中历时变化交通状况的工具。而短时交通流预测则又是交通控制和交通诱导的基础，是先进的交通管理系统的关键技术之一，经过多年的研究已出现上百种预测方法。
完善短时交通流预测技术对完善交通管理系统有着非常重要的意义，从而进行对交通系统的优化影响和配置。通过对城市道路网短时交通流预测的特征研究，对比不同特征下的交通流预测，从而得到在不同预测方法下，使得结果较精确的特征值。同时研究这些基础的参数条件和适用预测类型，可以从较为基本的方面优化预测模型，提高模型预测的准确性，为一些条件的选择和输入提供范围，从而为短时预测模型的深入研究提供基础。
3 国内外研究现况
3.1国外研究状况
目前，全球科研工作者们提出的短时交通流预测方法已经超过了200种。当前主要模型分类有统计预测模型、人工智能及其组合预测模型、非线性系统理论预测模型和其它预测模型。
一是统计预测模型。统计预测模型多种多样，一般有一元线性回归模型、自回归积分滑动平均法模型（ARIMA）、K最近邻算法模型、移动平均模型、Markov模型、灰色预测模型、状态空间模型、卡尔曼滤波模型等等。1979年，Ahmaed Mohamed S[1]等人首次用自回归移动平均法来预测高速公路上的短时交通量数据。2006年，Cetin Mecit [2]等人则提出了一种考虑流突变情况而且包含两种交通事件监测算法的交通预测模型——自回归求和滑动平均法。1984年，Iwao Okutani[3]等人提出了基于卡尔曼滤波理论的交通流预测模型。
二是人工智能组合预测模型。神经网络模型通过模仿人的大脑，把神经元进行数学标准化，然后用建模的方式表达参数的各种特征，并将其按照相异的方式联接。1993 年，人工神经网络被首次引入交通流预测领域。如今各式各样的神经网络模型数不胜数，而且还与其它模型重新结合，使神经网络由一个简单的模型发展到了计算智能的新阶段。例如结合蚁群算法、灰色理论、小波分析、非参数回归、数据挖掘等。2015年，Moretti F [4]等通过统计和神经网络进行集成混合建模建立了城市交通流预测模型。
以上是毕业论文文献综述，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。
