表 2-1 饱和流量修正参数参考值
..............................
第 6 章 总结与展望
6.1 全文总结
随着智慧城市建设以及智能交通系统普及在城市发展与管理中战略地位的提升，作为智能交通系统核心功能模块之一的城市交通信号控制系统成为改善城市交通运行状态的关键。短时交通流预测是实现精细化交通信号控制的基础，预测模型的准确度与稳定性对于提高信号交叉口服务水平以及改善区域交通运行状况具备重要的意义。
针对交通流数据的特性，提出基于深度自编码网络构建短时交通流预测模型，并针对单一深度学习模型本身存在的数据适应性缺陷，提出分别结合灰色模型与模糊信息粒化方法提升深度自编码网络的预测准确度及泛化性能。最后基于微观交通仿真平台将短时交通流预测结果用于交叉口信号灯的动态控制当中，以实现提前对交通流的随机变化做出反应并优化相应的信号灯配时方案。全文基于实际交通数据集与交通仿真平台展开实验得出的研究结论如下：
（1）针对时空关联交通流预测问题，深度自编码预测模型的准确度优于传统浅层机器学习模型，但是由于交通流数据存在高随机性、高噪声等数据代表性不高的特性，深度学习模型也表现出一定的过拟合现象。另外，验证了按空间关联顺序设计模型输入数据集时应该遵循车流流动的方向，即结合上游路段的交通流信息作为模型输入能够提升下游路段流量预测的准确度，反之则会降低目标路段的流量预测准确度。
（2）在深度自编码预测模型的基础上，结合灰色模型或者模糊信息粒化作为深度学习模型预测前置步骤并合理设计方法之间的结合方式，均能在一定程度上提升原始深度模型在测试集上的准确度从而缓和过拟合现象。通过进一步对比结合灰色模型或者模糊信息粒化对后续多组机器学习预测模型性能的影响，验证灰色模型与模糊信息粒化操作能够提升神经网络类预测模型（包括浅层神经网络以及深度神经网络）的预测准确度，但是这两种方法对于支持向量回归机的预测性能均没有影响。
参考文献（略）
