道路交通规划关键指标预测方法研究

论文摘要

国民经济的迅速发展,带动了交通运输业的稳步提升,同时也对交通运输业的服务水平提出了更高的要求。政府部门及专家学者一直致力于智能交通运输系统的研究。道路交通是交通运输系统的主要组成部分,道路交通的智能化水平,关系到地区经济的发展与人民生活水平的提升程度,而道路交通规划是道路交通智能化发展的前提。道路交通规划关键指标的准确预测,是道路交通规划的焦点问题,因此,探索道路交通规划关键指标预测方法,不仅可丰富道路交通系统规划理论,也可以为编制道路交通专项规划提供依据。科学的道路交通规划方法可促进社会与经济的发展,满足居民出行的需求。道路交通规划中的常用指标包括国民经济指标、客货运输指标和公交指标等。其中客货运量、客货周转量和公交客流量是其中的关键指标。客货运量与客货周转量在道路交通规划中是进行客运网络和货运网络规划及客货场站布局的基础指标；公交客流量是提出公交车辆实时调度、车辆优化与配置方案的关键性指标。本文以道路交通规划关键指标为研究对象,针对道路客货运量、道路客货周转量以及公交客流量等指标的预测方法进行深入研究。国内外专家学者已提出了不同的预测方法与模型,为后续研究提供了丰富理论与宝贵经验。但这些理论与方法还存在一些缺陷,有待于进行深入研究：预测模型较少从系统的角度出发,分析研究对象的内部规律与影响因素,系统内部的复杂性导致预测误差较大,难以对研究对象的发展趋势作出准确预测；预测中采用的组合模型,对模型特点结合的不够充分,难以实现有效的集成,预测结果不理想；对于公交客流量的预测研究较少,公交客流量随时间变化,数据分布呈非线性特性,现有的方法难以针对该特性对其做到准确预测。本文针对相关研究现状中存在的不足继续展开深入研究,探索解决问题的方法,构建适合道路交通规划关键指标的预测模型,进而丰富道路交通规划指标预测方法理论体系。研究的主要内容包括以下几个方面：1.改进的系统动力学预测方法：分析系统动力学方法的特点,从系统的角度出发,研究其内部规律与影响因素,从系统变量之间的关系出发,构建系统动力学模型,针对系统复杂性而导致误差变大的问题,对模型进行改进,结合研究结论提出改进的系统动力学预测方法。2.灰色神经网络集成模型预测方法：分析灰色模型与神经网络模型的特点。采用GM（1,1）模型构造1-AGO序列,由灰色模型与神经网络模型生成灰色模拟序列,根据灰色模拟序列构建灰色神经网络集成模型,进而提出灰色神经网络集成模型预测方法。3.母小波神经网络预测方法：分析Morlet母小波的特点,将Morlet母小波引入到神经网络模型结构中,在模型神经元中添加伸缩因子与平移因子,画出模型结构图,构建母小波神经网络模型,根据研究结论提出母小波神经网络预测方法。4.小波分解与重构网络预测方法：分析小波分解与重构方法的特点,将小波分解与重构引入到神经网络模型中。提出小波分解与重构网络预测方法,以公交客流数据为信号,通过小波滤波器分解出近似信号与细节信号,通过对近似信号与细节信号的预测与重构,实现公交客流量的预测。5.实证分析：将本文提出的交通规划关键指标的预测方法应用到实践中。以吉林省为研究范围,对吉林省的道路客货运量、客货周转量进行预测,并将预测结果与历史数据进行对比,分析预测误差并验证预测方法的有效性；以吉林省辽源市公交线路为研究对象,应用小波分解与重构网络预测方法,预测公交客流量,通过误差对比验证模型的有效性。本文的创新点主要体现在以下几个方面：1.在构建系统动力学模型的基础上,针对因系统复杂性而导致误差较大的问题,在模型中增加估计误差模块,有效降低了预测误差。2.结合灰色模型与神经网络模型的特点,构建灰色神经网络集成模型,解决灰色模型缺乏自学习能力和神经网络模型难以求得全局最优解的问题,克服输入数据样本量要求较高的问题,用于样本量较小情况下的道路运输量的预测。3.将Morlet母小波引入到神经网络中,构建母小波神经网络集成模型。在母小波中引入伸缩因子与平移因子,克服神经网络模型容错性较差的缺点,实现数据的整体逼近。针对样本数据无明显变化规律的问题,母小波神经网络集成模型的应用对提高预测精度作用显著,该方法用于样本数据无明显变化规律情况下的道路运输量预测。4.将混沌理论应用到公交客流预测中,首次得出公交客流量数据序列具有混沌特性的结论。将小波分解与重构方法引入到神经网络模型中,解决应用神经网络方法预测公交客流量无可行解的问题。针对公交客流量数据变化规律复杂的特性,小波分解与重构网络预测方法解决了公交客流量难以预测的难题,检验结果验证该模型具有较高的预测精度,该方法用于预测短时公交客流量。本文的研究成果将丰富与拓展道路交通规划关键指标预测方法的理论框架与方法体系,为制定道路运输业发展规划及城市公交专项规划提供理论依据。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.2.1 国内研究现状
• 1.2.2 国外研究现状
• 1.2.3 研究现状评述
• 1.3 研究内容及研究思路
• 第2章 预测理论综述
• 2.1 系统动力学理论
• 2.1.1 系统动力学的基本概念
• 2.1.2 系统动力学模型设计方法
• 2.2 灰色系统理论
• 2.2.1 灰色系统的基本概念
• 2.2.2 灰色系统模型设计方法
• 2.3 神经网络理论
• 2.3.1 人工神经网络的基本概念
• 2.3.2 人工神经网络模型设计方法
• 2.4 小波理论
• 2.4.1 小波理论的基本概念
• 2.4.2 小波理论的分析方法
• 2.5 混沌论
• 2.5.1 混沌论的基本概念
• 2.5.2 混沌识别方法
• 2.6 本章小结
• 第3章 改进的系统动力学预测方法
• 3.1 系统动力学预测方法特点分析
• 3.2 系统动力学改进模型的构建
• 3.2.1 系统边界的确定
• 3.2.2 系统变量的选取
• 3.2.3 系统结构与内部关系
• 3.2.4 系统动力学模型的改进
• 3.3 改进的系统动力学方法预测步骤
• 3.4 本章小结
• 第4章 灰色神经网络集成模型预测方法
• 4.1 灰色神经网络集成模型方法特点分析
• 4.1.1 灰色模型与神经网络模型特点
• 4.1.2 灰色神经网络模型特点
• 4.2 灰色神经网络集成模型的构建
• 4.2.1 模型构建的基本思路
• 4.2.2 灰色神经网络模型的集成
• 4.2.3 灰色模拟序列
• 4.2.4 集成模型的构建
• 4.3 灰色神经网络集成方法预测步骤
• 4.4 本章小结
• 第5章 母小波神经网络预测方法
• 5.1 母小波神经网络预测方法特点分析
• 5.1.1 母小波的特点
• 5.1.2 母小波神经网络预测方法的特点
• 5.2 母小波神经网络模型的构建
• 5.2.1 母小波神经网络模型结构
• 5.2.2 母小波神经网络模型的构建
• 5.3 母小波神经网络集成方法预测步骤
• 5.4 本章小结
• 第6章 小波分解与重构网络预测方法
• 6.1 小波分解与重构网络预测方法特点分析
• 6.1.1 小波分解与重构方法的特点
• 6.1.2 小波分解与重构网络模型特点
• 6.2 小波分解与重构网络模型的构建
• 6.2.1 小波分解与重构网络模型结构
• 6.2.2 小波分解与重构网络模型的构建
• 6.3 小波分解与重构网络集成方法预测步骤
• 6.4 本章小结
• 第7章 实证分析
• 7.1 改进的系统动力学预测方法的应用
• 7.1.1 数据统计与分析
• 7.1.2 指标预测
• 7.1.3 结果分析
• 7.2 灰色神经网络预测方法的应用
• 7.2.1 数据统计与整理
• 7.2.2 指标预测
• 7.2.3 结果分析
• 7.3 母小波神经网络预测方法的应用
• 7.3.1 数据统计
• 7.3.2 指标预测
• 7.3.3 结果分析
• 7.4 小波分解与重构网络预测方法的应用
• 7.4.1 数据统计
• 7.4.2 指标预测
• 7.4.3 结果分析
• 7.5 本章小结
• 第8章 总结与展望
• 8.1 全文总结
• 8.2 展望
• 参考文献
• 作者简介及科研成果
• 致谢