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