【Matlab仿真模型】短时交通流量预测模型
模型背景
随着交通基础设置建设和智能运输系统的发展,交通规划和交通诱导巳成为交通领域研究的热点。对于交通规划和交通诱导来说,准确的交通流量预测是其实现的前提和关键。交通流量预测根据时间跨度可以分为长期交通流量预测和短期交通流量预测:长期交通流量预测以小时、天、月甚至年为时间单位,是宏观意义上的预测;短时交通流量预测一般的时间跨度不超过1 5 分钟,是微观意义上的预测。短时交通流量预测是智能运输系统的核心内容,智能运输系统中多个子系统的功能实现都以其为基础。短时交通流量预测具有高度非线性和不确定性等特点,并且同时间相关性较强,可以看成是时间序列预测问题,比较常用的方法包括多元钱性回归预测、AR 模型预测、ARMA 模型预测、指数平滑预测等等。
不同的仿真模型
仿真模型1:历史交通流量 →当前交通流量 (按时间点为单位)
城市交通路网中交通路段上某时刻的交通流量与本路段前几个时段的交通流量有关,并且交通流量具有24小时内准周期的特性。首先采集4 天的交通流量数据,每隔15 分钟记录一次该段时间内的交通流量,一共记录384个时间点的数据。用3天共288 个交通流量的数据训练小波神经网络, 最后用训练好的小波神经网络预测第4 天的交通流量。仿真拟采用前4个时间节点的交通流量预测第5个时间节点;即可以理解为第1-4节点预测第5个节点,第2-5节点预测第6个节点,依次类推构建训练数据和测试数据。一天96个时间节点,按照上述逻辑可以组合92组数据;那么3天288个时间节点可以组合276组5维数据(这里需要注意的是,只能当天数据组合模型数据,故3天可以得到92*3=276组数据)。测试数据为第4天的96个节点,可以组合92组5维测试数据。
(5维数据中前4维为输入,后1为输出)
仿真模型2:多种影响因子 → 当前交通流量
应用于短时交通流量预测仿真模型的几大类神经网络实例:
1. Elman神经网络预测电力负荷模型
2.GRNN神经网络预测电力负荷模型
3.BP神经网络预测电力负荷模型
4小波神经网络预测电力负荷模型
相关文章
- 一种从Robotstudio环境中导出机器人模型并在MATLAB下使其可视化的研究记录
- 基于模型预测控制(MPC)的微电网调度优化的研究(Matlab代码实现)
- 【状态估计】用于描述符 LTI 和 LPV 系统的分析、状态估计和故障检测的算法(Matlab代码实现)
- 考虑极端天气线路脆弱性的配电网分布式电源配置优化模型【IEEE33节点】(Matlab代码实现)
- 【VMD-SSA-LSSVM】基于变分模态分解与麻雀优化Lssvm的负荷预测【多变量】(Matlab代码实现)
- 主动配电网故障恢复的重构与孤岛划分统一模型(Matlab代码实现)
- 基于主从博弈的智能小区代理商定价策略及电动汽车充电管理(Matlab代码实现)
- 基于蚁群算法的TPS问题求解策略研究(Matlab代码实现)
- 遗传算法在机器人路径规划中的应用研究(Matlab代码实现)
- 基于人工蜂群算法的新型概率密度模型的无人机路径规划(Matlab代码实现)
- 【路径优化】基于人工蜂群(ABC)算法和粒子群优化算法的组合求解路径优化问题(Matlab代码实现)
- 【无人机】采用最基本的自由空间路损模型并且不考虑小尺度衰落(多径多普勒)固定翼无人机轨迹规划(Matlab代码实现)
- 使用模型预测控制对USV进行自主控制(Matlab代码实现)
- DQN算法控制模拟旋转摆(Matlab代码实现)
- 用于灵敏性分析的方法模型(Matlab代码实现)
- K-means算法的matlab程序
- 基于MATLAB樽海鞘算法SSA(麻雀算法(十一)也简称SSA)的Eggholeer函数优化,测试函数的100种优化方法之十二
- MATLAB Cholesky分解