本文是一篇交通运输论文，本文针对国内外的研究现状进行讨论，根据可以改进之处提出了 WD-PSR-GA-BP 模型，以期模型能够实现短时交通流预测的准确性、鲁棒性和时效性。
1 绪论
1.1 研究背景及意义
从过去到现在几十年的经济发展中，汽车已成为大众不可缺少的交通工具。经济的稳健发展和人们对生活质量要求的不断提高，越来越多人更倾向于选择私家车出行。据了解。截止去年 2020 年，全国机动车有 3.72 亿的保有量，其中汽车占总量的 75.54%，达到了 2.81 亿，与此同时汽车驾驶人员有 4.18 亿人，占总机动车驾驶人的 91.67%。图1.1 给出了 2016 年至 2020 年五年内全国小汽车保有量数及驾驶人数量。从中可以看出，2020 年相比 2016 年汽车保有量增加了 44.85%，相比 2019 年 增加了 8.08%。由此可以看出，小汽车保有量正在稳步增长的同时,驾驶人数量也在增长,且远远大于汽车保有量数。数量庞大的私家车必定会带来交通拥堵和停车困难等一系列问题。
城市发生交通拥堵的主要原因有：（1）驾驶人及汽车保有量的稳步增长。随着社会经济的发展，私家车购买成本的降低及人们的生活逐渐富裕，很多人都添置汽车代步。从而，汽车保有量越来越大，给城市道路带来了很大的压力。另一方面，驾驶人及私家车的增长，意味着很多人出行都会选择私家车代步，公共交通的利用率达不到期望值。使得交通结构不平衡，主要表现在公共交通与私家车的发展不平衡；（2）路越来越不够用，另一个相伴相生的原因是路太窄，导致车辆分布在马路上，无法流动畅通；（3）城市相对的都存在着“摊大饼式发展”所产生的“城市病”，城市城区建设，采取一圈又一圈的对外扩展，围着一个异常集中点挤在狭小的一片地方，这样做的一大弊端，就是会产生交通堵塞；（4）城市交通设施设置不完善，交通导行分流标线设施不清晰，交通管理混乱不高效，交通设施不完善；（5）停车场太少；（6）人的出行观念因素。乱横穿马路，不遵守交通规则，导致交通秩序紊乱。
1.2 国内外研究现状
几十年来，世界各国的专家和学者利用了各学科领域的方法，研究和开发出了多种预测模型，将其应用于短时交通流的预测（不超过 15 min 的交通流量预测）。目前主要分为三类模型：基于传统的数学原理的预测模型、基于智能理论的预测模型和组合预测模型。第一类包括卡尔曼滤波模型[1]、指数平滑模型[2]、自回归综合移动平均模型[3]和季节自回归综合移动平均模型等[4]；第二类包括人工神经网络[24,25]、小波理论模型[14,32]、模糊理论模型[31]等；第三类则是为了改进单一模型存在的缺点，综合运用两个及以上算法相互配合，使得预测结果更加准确。
1.2.1 国内研究现状
在国内，随着经济社会的发展，机动车辆增长迅速。但是由于早期国内道路设置不够合理，拥堵问题比较严重。为了更好地建设城市道路交通，一些学者和专家进行了交通流预测方面的研究。
朱征宇，刘琳等提出了一种结合支持向量机和卡尔曼滤波的预测模型[1]，支持向量机可以对大量历史数据进行训练，发现历史数据的特征规律，而卡尔曼滤波则采用预测和修正的线性迭代方式进行计算，从而达到动态预测的目的；吴德会[2]介绍了动态指数平滑法，将传统的指数平滑法进行改进，使其参数动态化，有利于避免传统指数平滑法在确定相关系数时的主观性，从而保证了预测过程的客观性。实例表明，动态指数平滑法的预测结果更为准确；华鹏和赵学民[3]利用 ARIMA（1,1,0）模型对广东省 GDP 进行了短期预测，预测结果误差相对较小。这些模型计算简单，速度快，但不能反映交通流过程中的不确定性和非线性，不能处理交通流所隐含的快速变分和复杂的过程变化；而神经网络由于其强大的自适应学习能力、联想记忆能力、大规模分布式处理特性，在预测领域具有独特的优势,如 BP 神经网络[4,5]、RBF 神经网络[6]、模糊神经网络[7,8]等；如刘蛟蛟，李红英[9]等建立了基于径向基函数的人工神经网络(RBF-ANN)模型，用于预测合金在固溶过程中的电阻率。结果表明，该模型能够较好地预测电阻率，相对误差为 0.33%。
2 短时交通流概述
2.1 实验数据来源概述
本文所使用得短时交通流数据来源于加州快速路网 PeMS （the Freeway Performance Measurement System）系统，PeMS 是专门为加州理工学院设计的基于 web 的软件工具。该系统主要用于采集、监测和处理和分析加州高速路的实时交通流数据，是目前国内外交通流研究领域应用最广泛的数据系统。该系统主要数据来源于加州交通运输公司安装在加州快速公路上的传感器收集到的交通数据，以及加州交通局其他合作伙伴收集到的交通数据集。PeMS 系统将收集到的数据存档在数据库中，先对其质量进行监测和处理，如系统自动监测和甄别无效数据，并将其删除，然后将数据以各种格式共享在web 中，便于其他管理者、研究者了解交通系统、发现问题和解决问题。该系统可以被任何申请了账号的用户使用，用户只需要访问 http:/pems.dot.ca.gov 即可申请账号和查询并使用数据。
PeMS 系统的监测器主要为环形线圈监测器，而该监测器是在 20 世纪 60 年代开始被用于监测交通流。因其监测数据的精准、不受恶劣天气的干扰、具备稳定的性能、成本价低而被全球广泛的使用。如图 2.2 为环形线圈监测器布置图，在同一条道路中，会埋设两个感应线圈，即一组，每组感应线圈与多通道车辆监测器连接。当车辆经过线圈感应器时，会发生线圈电感量的变化，从而车辆的通过状态就会被监测到，与此同时，该状态会被传输至车辆感应器，从而进行采集和计算。
2.2 短时交通流基本特征
短时交通流最主要的特性有：动态随机性、相似性、混沌性和周期性。其在时间和空间上独特的变化特性，使得后续模型在进行预测前，应将这些性质考虑在内。通过科学的分析这些特性，并做出必要的数据预处理，有助于提高模型的准确性和鲁棒性。
2.2.1 短时交通流的动态随机性
道路交通系统由人、车、路和环境构，因此整个交通系统效率的高低和稳定也有以上四种因素影响。而人作为最不确定的因素，随机性最强，不同的驾驶员在面对不同的交通情况会表现出不同的反应，而在面对同一种交通情况时，拥有不同性格特征、不同驾驶年龄和心理素质的驾驶员的表现各有差异；不光反映在驾驶员中，行人过街时，也有遵守和不遵守交通规则的差异，面对随意穿插在车流中的人群，对交通状况也会产生影响。此外，不同性能和车型的机动车，其起步时间和停车制动时间也各不相同。环境因素中，如根据城市道路规划，道路方向和布局、道路基础设施、路面路况也将对交通流产生直接影响；天气变化、交通事故、举办赛事和修路等临时交通管制都会引发交通流的波动。
虽然交通流表现出很强的随机性，无法使用一个或多个函数描述，但交通流数据在几小时或者几天，随着数据的增加，如在工作日内和周末这两类的交通流数据，还是会表现出很强的周期性和自相似性，而这两种特性也表明交通流预测的可行性。
3 数据预处理方法.............................15
3.1 小波降噪....................................15
3.1.1 小波降噪原理........................................15
3.1.2 分解层数的确定....................................15
4 预测模型及预测步长....................................26
4.1 BP 神经网络...............................26
4.2 遗传算法.............................28
6 结论与展望...........................50
6.1 结论.......................50
6.2 展望..............................50
5 实验结果及分析
5.1 数据预处理方法仿真实验
5.1.1 小波降噪及集成经验模态分解
根据第三章第一节对小波参数的分析，以#1 号监测点数据集为例。图 5.1 和图 5.2分别是 case_1 和 case_2 使用小波基函数 db3，分解层数为 3 层的小波分解图， 为分解
接下来使用公式3.1确定最终阈值，采用软阈值函数对细节系数进行阈值处理，使用waverec函数对经过处理后的分量进行重构，还原初始数据维度。原始数据的分解、阈值降噪及重构的过程就此完成。图5.3和图5.4分别是1号监测点和2号监测点分别在case_1和case_2中的降噪对比。可以从图中看出，经过小波降噪后的数据呈现的更加圆滑，去除了很多锋锐点，不光降低了交通流数据的随机性，也很好的保留了数据原本的趋势。
6 结论与展望
6.1 结论
如今的智能交通系统已经越发成熟，而交通流预测作为智能交通的重要组成部分，已经引发了越来越多的学者的关注，其预测方案也在不断的创新和改进。本文针对国内外的研究现状进行讨论，根据可以改进之处提出了 WD-PSR-GA-BP 模型，以期模型能够实现短时交通流预测的准确性、鲁棒性和时效性。本文所做的工作主要如下：
（1）对研究问题的背景和意义进行调研，充分说明了预测短时交通流的现实意义；对国内外在该问题的研究上进行了梳理和归纳总结，讨论目前现有方案的改进之处，为模型的建立提供参考建议和改进之处。
（2）为使得模型具备实用价值，采用了现实生活中的真实交通流数据。对交通流的随机性、自相似性和周期性、混沌性分
