维普资讯 http://www.cqvip.com 基于ＡＲＭＡ和小波变换的交通流预测模型研究 黄大荣 －一，宋军 ，汪达成 ，曹建秋 ，李伟 （１．重庆交通大学计算机学院，重庆４０００７４； ２．重庆大学自动化学院，重庆４０００４４） Ｅ—ｍａｉｌ：ｈｃｘ１９７８＠１６３．ｅｏｍ 摘要：基于小波变换理论和自回归滑动平均（ＡＲＭＡ）时间序列模型的相关知识，研究了智能交通优化控制系统中的交 通流量的预测问题。首先，在对实际监测的交通流量教据进行小渡变换处理的基础上，建立交通流量的预测模型；然后， 利用最小二乘法理论对ＡＲＭＡ模型的参数结构进行了详细地分析；同时给出基于小波变换和ＡＲＭＡ模型的交通流优化 控制系统的远行机理并设计出相应的网络拓扑模型和数据传输模型；最后，用某交通观测站的实测数据对模型进行实际 仿真。仿真结果表明．文中所设计的模型和算法是有效的。 关键词：交通流预测；小波变换；ＡＲＭＡ；最小二乘法 文章编号：１００２—８３３１（２００６）３６—０１９１—０４ 文献标识码：Ａ 中图分类号：ＴＰ３９１ Ｆｏｒｅｃａｓｔｉｎｇ Ｍｏｄｅｌ ｏｆ Ｔｒａｆｉｆｃ Ｆｌｏｗ Ｂａｓｅｄ ｏｎ ＡＲＭＡ ａｎｄ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｌｎ ＨＵＡＮＧ Ｄａ－ｒｏｎｇ ’．．ＳＯＮＧ Ｊｕｎ１ ＷＡＮＧ Ｄａ－ｃｈｅｎｇＩ，ＣＡＯ Ｊｉａｎ－ｑｉｕＩ，ＬＩ Ｗｅｉ （１．Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｃｈｏｎｇｑｉｎｇ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ ４０００７４，Ｃｈｉｎａ； ２．Ｃｏｌｌｅｇｅ ｏｆ Ａｕｔｏｍａｔｉｏｎ，Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ ４０００４４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ａｎｄ Ａｕｔｏ Ｒｅｇｒｅｓｓｉｖｅ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ（ＡＲＭＡ），ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｔｒａｆｆｉｃ ｆｌｏｗ ｍｏｄｅｌ ｗｈｉｃｈ ｉｓ ｕｓｅｄ ｉｎ ｏｐｔｉｍａｌ ｃｏｎｔｒｏｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｆｉｆｃ ｓｙｓｔｅｍ ｉｓ ｒｅｓｅａｒｃｈｅｄ．Ｆｉｍｔ ｏｆ ａｌｌ，ｗｅ ｈａｖｅ ｅｘｔｒａｃｔｅｄ ｔｈｅ ｎｅｗ ｄａｔａ ｆｒｏｍ ｔｈｅ ｏｎｌｉｎｅ ｍｅａｓｕｒｅｄ ｒａｗ ｄａｔａ ｏｆ ｔｒａｇｉｃ ｆｌｏｗ ｖｉａ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ａｎｄ ｃｏｎｓｔｒｕｃｔｅｄ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｏｆ ｔｒａ￣ｃ ｌｆｏｗ；Ｓｅｃｏｎｄｌｙ，ｗｅ ｈａｖｅ ｄｅｔａｉｌｅｄｌｙ ａｎａｌｙｚｅｄ ｔｈｅ ｐａｒａｍｅｔｅｒ ｓｔｒｕｃｔｕｒｅ ｏｆ ＡＲＭＡ ｂｙ ｍｅｔｈｏｄ ｏｆ ｌｅａｓｔ ｓｑｕａｒｅｓ；Ｓｉｍｕｌｔａｎｅｏｕｓ， ｗｅ ｈａｖｅ ｄｅｓｉｇｎｅｄ ｔｈｅ ｒｕｎｎｉｎｇ ｐｒｉｎｃｉｐｉｕｍ ｏｆ ｔｈｅ ｏｐｔｉｍａｌ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｏｆ ｔｌ￣ｆｆｉｃ ｆｌｏｗ，ｔｈｅ ｎｅｔｗｏｒｋ ｔｏｐｏｌｏｇｉｃａｌ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｔｈｅ ｄａｔａ ｔｒａｎｓｍｉｔｔｅｄ ｍｏｄｅｌ；Ｆｉｎａｌｌｙ，ａ ｓｉｍｕｌａｔｅｄ ｅｘａｍｐｌｅ ｈａｓ ｓｈｏｗｎ ｔｈａｔ ｔｈｅ ｔｅｃｈｎｉｑｕｅ ｉｓ ｅｆｆｅｃｔｉｖｅ ａｎｄ ｅｘａｃｔ．Ｔｈｅ ｔｈｅｏ－ ｅｒｔｉｃａｌ ａｎａｌｙｓｉｓ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ａｎｄ ａｌｇｏｒｉｔｈｍｓ ｈａｖｅ ａ ｂｒｏａｄ ｐｒｏｓｐｅｃｔ ｆｏｒ ｐｒａｃｔｉｃａｌ ａｐｐｌｉｃａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｆｏｒｅｃａｓｔｉｎｇ ｔｒａｆｆｉｃ ｆｌｏｗ；ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ；ＡＲＭＡ；ｍｏｄｅｌ ｏｆ ｌｅａｓｔ ｓｑｕａｒｅｓ ｌ 引言 题，有学者ｆｆ￣－ｓ］基于神经网络模型和相空间重构理论分别研究了 近些年来。随着智能交通系统（ＩＴＳ）的蓬勃发展，智能交通 交通流量短期预测模型，均取得了较好的效果。但是遗憾的是 控制与诱导系统已成为ＩｒＩ１ｓ研究的热门课题。无论是对于交通 这些拟合模型所解决的问题都是局部最优而不是全局最优，因 控制还是交通诱导系统来说．实时准确的交通流量预测是这些 此准确性和实时性都有待提高。为了解决这个问题，本文结合 系统实现的前提及关键，也是实现城市交通控制系统配时优化 自回归滑动平均（ＡＲＭＡ）时间序列模型和小波变换的相关理 的必要步骤。其交通流量预测结果的好坏将直接影响到交通控 论，根据路网节点所测得的历史交通流量，研究了实时动态交 制与诱导的效果。 通流的模型结构并给出了交通流预测方法。 然而，由于道路交通系统是一个有人参与的、时变的复杂 系统．因此它具有高度的不确定性：这种不确定性不但有来自 ２交通流预测模型的建立和分析 自然界方面的原因（如季节因素等），也有来自人为因素的原因 由于交通流信号是不平稳随机信号，并不是所有的信息对 （如交通事故、突发事件、司机的心理状态）。这些不确定干扰因 于实际交通流量控制都有作用．需要从所监测网络节点的交通 素的存在给交通流量的预测尤其是短时交通流量预测带来了 极大的困难。这样，如何适时、准确地预测交通流，便成了在智 流信号中提取出有用的信息进行信息编码，才能进行有效的交 能交通系统中亟需解决的问题。为了解决这个问题，国内外学 通流量的优化控制。而上个世纪８Ｏ年代发展起来的小波变换 者从不同的角度进行了大量的研究和探讨：一些【 －４１基于卡尔曼 由于具有分析和处理不规则和不对称信号的能力，因此在实验 滤波理论、模糊数学和混沌方法提出构造基准函数的方法，即 中借助小波变换的相关理论对所测得的交通流信号进行分解 从过去的最近一周内选择一个与当日最接近的曲线作为基准 处理，过滤掉其中的扰动信号；然后根据这些有用的信息建立 函数曲线，采用状态方程和观测方程组成的状态空间模型来描 ＡＲＭＡ预测模型来进行实时交通流的优化控制。 述滤波器结构．从而得出了相应的交通流局部预测模型。但遗 ２．１ 基于小波变换理论的信号处理模型 憾的是他们都是基于线性理论来进行分析的。所得到的结果也 小波函数的定义：如果函数 ）是一个平方可积函数，且 只能是实际交通流的一个近似优化控制方案。为了克服这个问 Ｆｏｕｒｉｅｒ变换满足 计算机工程与应用２００６．３６ １９１ 维普资讯 http://www.cqvip.com 』 函数 ＜∞ ２ ＡＲＭＡ交通流预测模型 （１） ２．为了实施交通流的优化控制，首先对所测得的交通流量观 测值Ｖ（ｔ），ｔ＝１，２，…，ｎ｝进行小波变换处理，得到的新的信号流 （ｙ ，ｔ＝１，２，…，ｎ｝。其取值与干扰因素ｅ和以前的Ｐ个信号值（ｙ ， …这里， ）称为小波母函数，条件（１）称为“允许条件”。 那么，对于任意的实数对（口，ｂ）（ａ＞０，ｂ￡Ｒ），称如下形式的 ，ｙ卜 ｝有关，故而可以给出它们的模型如下： ‰ ） 数。简称为小波。 ）（ ） ｙ 咖１ｙ“＋咖２ｌ …＋ Ｙ岬＋ｅｔ－Ｏ，ｅｆ＿１一眙ｆ＿『…一即竹 （７） （２） 在这里， 满足Ｅ［Ｙ（￡）】 ；ｅ＝（ｅ ，ｅ …，ｅ ｝，且满足ｅ Ｎ（０， ｏｒ ） 和ｑ为该模型的阶数； （ ＝１，２，…，ｐ），Ｏｙ（ｊ＝ｌ，２，…，ｇ） 为模型的参数。 为由小波母函数０（ｘ）生成的依赖于参数（ａ ９ｂ）的连续小波函 对于任意的函数或者信号 ），其连续小波变换定义为 显然，要找到与其拟合最好的预测模型，首先需要确定阶 数（Ｐ，ｇ）和参数值的大小。 ）＝』 ㈤ ｆ／（ （孚 （３） 在这里采用最佳准则函数法来确定模型的参数对（ｐ，ｇ）， 在实际应用中，由于计算机处理的大多数都是离散化方 程，因而常常要把连续小波变换离散化处理．通过对连续小波 变换 （口，ｂ）的伸缩因子ａ和ｂ进行采样，选取口＝２ ，ｂ＝２ｑｋ， 则可得到离散的二进小波变换 ＝ ，２ （施一Ｊ｝） ，ｋ）＝ Ｊ，（ ） 如一ｋ）ｄｘ 这里，，ｋ ＥＺ。 这样在实际信号处理的过程中，对于任意的一个交通流信 号 ｔ）可以分解为如下的小波级数： ，（ｔ）＝ ｒ（『，ｋ） ．＾（￡） （４） 为了简便，在实际计算时采用正交小波分解的Ｍａｌｌａｔ算法 来实现所需要的信号处理，其Ｍａｌｌａｔ算法表示为 ｆ Ｃｊ＋ｌ，＝ＨＧ＋＊Ｃｎｊ ＿ｌ＇ ，…’ｌ１。） （５） 其中，Ｈ和Ｇ分别为低通滤波器和高通滤波器。 如果将ｃｏ定义为原始交通流量ｆ（ｔ），则其小波分解的过 程如图１所示。 ｑ Ｄｌ Ｄ２…Ｄ Ｄ Ｄ ．１ 图１ 交通信号小波分解过程 采用Ｍａｌｌａｔ算法进行小波分解．每次分解后得到的细节信 号和逼近信号比分解前的信号点数减少一倍．点数的减少对预 测是不利的．为了克服这种缺憾．可以将分解后的交通流量信 号用重构算法进行重构，重构算法描述如下： ｌ０＝ Ｃ ＋Ｇ “ ｑ＝ｎ一１，ｎ一２，…，１，Ｏ） （６） 其中 和 分别是Ｈ和Ｇ的对偶算子。小波重构的过程如图 ２所示。 ｃ 一厂＋ ． 竺Ｇ ＿＋ｃＩ ｃ。 图２ 交通信号小波重构过程 通过重构过程对小波分解后的交通信号进行重构。可以增 加信号的点数，这样可以使得原始信号ｃ０满足 ｃ ∑Ｄ 这样，就通过对交通流量的小波分解和重构过滤掉干扰的 信号。得到对建立合适的交通流预测模型有效的交通流信号。 １９２ ２００６．３６计算机工程与应用 定义准则函数如下： ． ． ｆ『 ｒ 电ｐｉ １ 则ＡＩＣ（ ）：ｌｎ（ ：）＋ ！ ＡＩＣ（ｐ，ｑ）－．ｒａｉｎ ＡＩＣ（ｎ，ｍ） （８） 其中 ：是相应的ＡＲＭＡ序列的ｏｒ：的估计值，Ｌ为预先给定的 最高阶数。这样只要确定了模型的系统参数咖 ”， ，０ ”， ， ：的值，就可以通过如下的预测模型进行实时交通的优化 控制： Ｙ １＾ ＝咖１ｙ ＋咖２Ｙ １＋…＋ｑｂＰｙｃ＋１，＋２２一 （ｙｆ＋】．广ｙｃ＾ ＋１１） ＝１ Ｅ（Ｙｃ＋１一 ＋１） （９） ２．３预测模型参数结构的算法分析 对于２．２节中所介绍的模型来说，其参数咖 “， ，０ “， ，ｏｒ 的确定按下列步骤进行估计： （１）利用式（８）确定阶数对（ｐ，ｑ）。 （２）将式（７）分为两部分： ｙｌ＝ＡＲ＋ＭＡ （１０） ＡＲ＝６￣Ｙ Ｉ ２ｙ ２＋…＋ Ｙ呻 （１１） ＭＡ＝ｅｔ－Ｏ ｃ＿广眙 …一 （１２） （３）通过最ｄｘ－乘法得到式（１ｏ）参数估计值 ，将参数换 成它们的估计．得 ＾ 咖２ ： ● Ｐｑ－ ＾ ，；０．毒 （１３） 也 这里由于未考虑ＭＡ部分的作用，故所得的 是近似值。 （４）令ｚ ｙ 一咖 Ｙ 广．・－一 ｙ 那么互的协方差函数为 Ｐ ｐ Ｐ ｐ １．’１．’１．’１．’・ （ｚ） 『ＺＺ 咖 ｙ ｙ ＝ 咖咖 （１４） ｆ Ｏ』＝Ｏ ｉ＝０ ｊ＝Ｏ （５把ｆ ｌ近似看成ＭＡ序列，则（６）模型改写成 ２Ｅｅ厂 １ｅｃ＇广…一 ｅｈｇ （１５） 这样就可以通过最小二乘法得到相应的估计值 ：， ，…， 。 其算法实现的基本流程图如图３所示。 维普资讯 http://www.cqvip.com 图３算法实现的基本流程图 图４流程图描述 这样就确定了模型的系统参数咖 ・・ ，０ 一， ， 的值， 式识别模块、评价模块、决策模块以及仿真模块。其中基础是模 式识别模块，核心是评价模块，交通流优化控制的数据的传输 因此可以根据式（８）进行实时交通的优化控制。同时，由于模型 控制流程如图５所示。 预测结果的好坏影响着实时交通优化控制效果的好坏，故而选 取５个指标来评价模型的效果，其定义如下： 平均绝对误差：ＭＡＥ＝１∑ＩＹ 一 ｌ （１６） 厂’ —————— 均方误差：ＭＳＥ＝｝＼／ （ｙ ） ｎ Ｉ ． Ｉ 平均绝对酚雌 ＭＡＰＥ＝ ｌ ｌ ） 图５交通流优化控制的数据的传输控制流程 均方百分比误差： ｝＼／ （１９） 显然，所有的监测数据都可以返回到控制中心进行实时控 制，能有效地进行交通流的优化控制。 均等 肚 一 ｙｆ （２ｏ） ４仿真试验 、／喜ｙ ＋、／ 本文把所设计的基于小波变换和ＡＲＭＡ的交通流预测优 ２．４交通流预测的算法设计和实现 化控制系统应用到实际的交通流优化控制中去。２００５年７月 在实际应用过程巾，需要对交通流的信号给出实时优化 ｌ８日，在某高速公路检测站对交通流进行了实时监控，采取异 配置，故而根据以上分析给山交通流优化控制系统的运行机 常交通预测：异常交通的观测采用封闭一个车道的方式．车道封 理如Ｆ： 闭的时间为：８：ｏｏ一８：１０、９：３０－９：４０、ｌ１：００￣１１：１０、１２：３０ １２：４０、 步骤ｌ系统初始化：装载历史交通流数据｛厂（ｔ），￡＝ｌ，２，…， １４：Ｏ０～１４：１０、１５：３０￣１５：４０、１７：００—１７：１０、ｌ８：３０～ｌ８：４０。 ｎｌ，存储在计算机程序中。 观测时间从早上７：０Ｏ到晚上８：２５，检测时间间隔采取１５ ｓ 步骤２利用（１）一（６）对数据进行小波处理，输出新信号｛ｙ ｌ。 和１０ Ｓ两种方式：时间间隔为ｌ５ ｓ的时候。所监测的交通流量 步骤３通过（８）一（１５）对小波处理的数据建立ＡＲＭＡ预测 数据总共有含有５２１个；时间间隔为１０ Ｓ的时候，交通流最数 模型，如果拟合程度合理，进入下一步；否则，回到步骤２。 据为７８０个。经过小波变换处理后，选取前１００个数据来模拟 步骤４利用（１６）一（２０）给出ＡＲＭＡ预测模型的自线性回 模型。然后通过拟合模型来预测后面的数据，其相应的仿真曲 归系数仿真曲线和评价性能指标。 线图如图６和图７所示。 步骤５利用历史数据预测未来的交通流量， 示仿真预 图６（ａ）和图７（ａ）分别表示了拟合模型的结构。而图６（ｂ） 测图。拟合效果好，进入下一步；否则回到步骤２。 和图７（ｂ）则显示了所研究模型预测结果和实际监测结果的有 步骤６输出结果，得到交通流优化控制的分析报告。 效性，图６（ｃ）、图６（ｄ）图７（ｅ）以及图７（ｄ）分别表示了部分数 用流程图描述如图４所示。 据点的拟合模型，在检测间隔为１５ Ｓ的时候。其评价指标分别 从图４的网络拓扑结构可以看出．这个系统可以简化为模 计算为：ＭＡＥ＝０．５１７ ３，ＭＳＥ＝０．４１８ ８，ＭＡＰＥ＝３９２．６７９ ｌ，ＭＳＰ＝ 计算机工程与应用２００６．３６ １９３ 维普资讯 http://www.cqvip.com 圈６（ａ）ＡＲＭＡ模型在相关系数ｒ＝－０．９９１的拟合曲线 图６（ｂ）数据预测值和实际监测值拟合曲线（１０１—５２１） 图６｛ｃ） 数据预测值和实际监测值拟合曲线（１０１—２００） 图６（ｄ） 数据预测值和实际监测值拟合曲线（２００—３００） （曲线中＋表示预测值，０表示原始数据） 图７（ａ）ＡＲＭＡ模型在相关系数ｒ＝－０．９９６的拟合曲线 圈７｛ｂ）数据预测值和实际监测值拟合曲线（１０１－７８０） 图７（ｅ） 数据预测值和实际监测值拟合曲线（１０１—３０１） 图７（ｄ） 数据预测值和实际监测值拟合曲线（３０１－５０１） （曲线中＋表示预测值，０表示原始数据） ０．０４７６，ＥＣ＝Ｏ．９３３ １；而在检测时间为１０ ｓ的时候，其评价指标 为：ＭＡＥ＝Ｏ．２９０７， Ｅ＝０．１６０ １， ４朋＝５５２．６２３４， ＳＰ ．０３５０， １９４ ２００６．３６计算机工程与应用 ＥＣ＝Ｏ．９５２ ６。实验分析结果表明，本文所建立的模型能进行不 （下转２２４页） 维普资讯 http://www.cqvip.com ’～， 。……一… 一 … 一…Ｈ…＇一’＿… ，…，，＇… 的定义将能够映射其在数据库中的逻辑结构。从而可以进行从 ＲＤＢＭＳ到ＸＭＬ的转换。ＸＭＬ的可扩展性和结构化以及跨平台 的特性决定了ＸＭＬ非常适合于网络环境下的数据交换．并且易 于网络发布。本系统将提供对我国基础地理信息数字产品元数 据标准的ＸＭＬ Ｓｃｈｅｍａ定义和描述。并且能够与ＦＧＤＣ和ＩＳＯ／ ＴＣ２１１的标准进行转换。转换的过程使用ＸＳ 语言进行编程。 （３）空间元数据建库索引工具 元数据编辑器提供了一套完整的元数据标准．为空间数据 信息的元数据标准化提供了依据．这对空间数据自身的规范化 也有很大的帮助；同时，元数据编辑器的研制为空间数据元数 据的制作提供了可靠的工具。提供了包括ＩＳＯ／ＴＣ ２１１、ＵＳＧＳ、 ＦＧＤＣ等多种域映射描述，用于索引文件的建立、元数据的添 加、删除和检索等操作。 （４）结果实现 图３元数据服务系统查询界面 ２００３（９）：６７－７０． ［２】王树东．基于元数据的城市遥感影像管理与发布【Ｄ】．中国矿业大学， ２０ｏ４． 基于以上各部分的研究和分析．对系统进行了实现（图３）。 ［３】李德仁．数码城市的概念、技术支撑和典型应用【Ｍ］／／数字城市的理 ５ 结束语 元数据在很多领域应用已经成熟。面向数字化小城镇的建 论和实践．北京：世界图书出版公司，２００ｌ：２５—３５． ［４】周之英．现代软件工程（中）一基本方法篇［Ｍ】．北京：科学出版社， ２０００：７５—８Ｏ． 设，对以前数字化城市的建设的成功经验可以借鉴，如前所述， 已经取得初步成果。但是数字化小城镇尤其自己的特点和信息 共享的运作方式，如何实现空间数据的互操作和数据共享，更 ［５】Ｃｏｎｔｅｎｔ Ｓｔａｎｄａｒｄ ｆｏｒ Ｄｉｇｉｔａｌ Ｇｅｏｓｐａｔｉａｌ Ｍｅｔａｄａｔａ：Ｅｘｔｅｎｓｉｏｎｓ ｆｏｒ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｍｅｔａｄａｔａ Ｓｔａｎｄａｒｄｓ Ｗｏｒｋｉｎｇ Ｇｒｏｕｐ Ｆｅｄｅｒａｌ Ｇｅｏ— ｇｒａｐｈｉｃ Ｄａｔａ Ｃｏｍｍｉｔｔｅｅ［Ｓ］． ［６１ Ｃａｍｐｂｅｌｌ Ｊ Ｂ．Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ【ＭＩ．３ｒｄ ｅｄ＿『ｓ＿１＿】：ｔｈｅ Ｇｕｉｌｆｏｒｄ Ｐｒｅｓｓ。２００２． 好地服务于小城镇还是一个崭新的主题，还有待于后期工作的 进一步改进。（收稿日期：２００６年３月） ［７】Ｓｕ Ｙ Ｆ。Ｓｌｏｔｔｏｗ Ｊ，Ｍｏｚｅｓ Ａ．Ｄｉｓｔｉｒｂｕｔｉｎｇ ｐｒｏｐｅｒｉｅｔｍｙ ｇｅｏｇｒａｐｈｉｃ ｄａｔａ 参考文献： ［Ｉ】王继周，面向共享的元数据管理框架研究与设计［Ｊ］．国土资源遥感 ｏｎ ｔｈｅ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ—ＵＣＬＡ ａＳ ｄａｔａｂａｓｅ ａｎｄ ｍａｐ ｆｉｅｆ＇ｖｅｔ［Ｊｌ， Ｃｏｍｐｔｅｒ ａｎｄ Ｇｅｏｓｃｉｅｎｃｅ，２０００（２６）：７４１—７４９． （上接１９４页） 同状态的交通流数据的优化控制。能实现有效的资源配置。 ｍｙ ｏｆ Ｃｒｅｔｅ，１９９９． ［３】Ｈｕ Ｊｉａｎ—ｍｉｎｇ，Ｓｏｎｇ Ｊｉｎｇ—ｙａｎ，Ｚｈａｎｇ Ｙｉ，ｅｔ ａ１．Ｍｏｄｅｌｉｎｇ ａｎｄ ａｎａｌｙ‘ ｓ ｆｏｒ ｓｅｌｆ—ｏｒｇａｎｉｚａｔｉｏｎ ｏｆ ｕｒｂａｎ ｔｒａｆｆｉｃ ｆｌｏｗ［Ｃ］／／Ｔｈｅ ８ｔｈ Ｉｎｔｅｒｎａ— ｔｉｏｎａｌ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，Ｖｉ— ｅｎｎａ．Ａｕｓｔｉａ，Ｓｅｐｔｒｅｍｂｅｒ １３—１６，２００５，２００５：４９０—４９５． ５ 结论 本文根据实验所测得的交通流量数据，通过对流量数据序 列进行相关函数分析，结合小波变换理论建立了交通流时间序 【４】Ｈｕ Ｊｉａｎ—ｒｕｉｎｇ，Ｚｏｎｇ Ｃｈｕｎ—ｇｕａｎｇ，Ｓｏｎｇ Ｊｉｎｇ－ｙａｎ，ｅｔ ａ１．Ａｎ ａｐｐｌｉｃａ‘ ｂｌｅ ｓｈｏｒｔ—ｔｅｎｎ ｔｒａｆｆｉｃ ｆｌｏｗ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｃｈａｏｔｉｃ 列ＡＲＭＡ模型。并用实测数据进行预测。仿真结果表明该ＡＲ— ＭＡ模型能够较好地拟合交通流时间序列并可获得较高的中 ｔｈｅｏｒｙ［Ｃ］／／ｔｈｅ ２００３ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，Ｓｈａｎｇｈａｉ，２００３． 短期预测精度，因而可用于动态交通信号控制。 与此同时，基于ＡＲＭＡ的交通流预测是根据路网结点过 去和现在的交通流量。运用滑动和自回归的方法科学地预测未 ［５】Ｈｕ Ｊｉａｎ－ｍｉｎｇ，Ｓｏｎｇ Ｊｉｎｇ－ｙａｈ，Ｙｕ Ｇｕｏ－ｑｉａｎｇ，ｅｔ ａ１．Ａ ｎｏｖｅｌ ｎｅｔ— ｗｏｒｋｅｄ ｔｒａｆｆｉｃ ｆｌｏｗ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ Ｍａｒｋｏｖ ｃｈａｉｎ ｍｏｄｅｌ［Ｃ］／／２００３ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｙｓｔｅｍｓ．Ｍａｎｓ＆ Ｃｙｂｅｒｎｅｔｉｃｓ，Ｗａｓｈｉｎｇｔｏｎ Ｄ Ｃ，２００３． 来时段的交通流量。要求的数据样本量不大，并且有明确的收 敛准则．算法本身决定了这是一种全局寻优而不是局部搜索 法，因此准确性和实时性都比较高。适合实时动态预测交通流。 （收稿日期：２００６年４月） 【６】Ｈｉｐｐｅｒｔ Ｈ Ｓ．Ｐｅｒｅｉｒａ Ｃ Ｅ，Ｓｏｕｚａ Ｒ Ｃ．Ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｓｈｏｔｒ— ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ：ａ ｒｅｖｉｅｗ ａｎｄ ｅｖａｌｕａｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｐｏｗ— ｅｒ Ｓｙｓｔｅｍｓ。２００ｌ，ｌ６（１）：４４－５５． ［７】Ａｎａｓｔａｓｉｏｓ Ｄ，Ｎｉｋｏｌａｏｓ Ｄ，Ｓｔｅｆａｎｏｓ Ｄ Ｋ．Ａｎ ａｄａｐｔａｂｌｅ ｎｅｕｒａｌ－ｎｅｔ— 参考文献： …１ Ｙｉ Ｊｉａｎｇ．Ｄｙｎａｍｉｃ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｒａｆｆｉｃ ｆｌｏｗ ａｎｄ ｃｏｎｇｅｓｔｉｏｎ ａｔ ｆｒｅｅ ｗｏｒｋ ｍｏｄｅｌ ｆｏｒ ｒｅｃｕｒｓｉｖｅ ｎｏｎｌｉｎｅａｒ ｔｒａｆｆｉｃ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｍｏｄｅｌｉｎｇ ｏｆ ＭＰＥＧ ｖｉｄｅｏ ｓｏｕｒｃｅｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，２００３，１４ （１）：１５０一ｌ６６． ｗａｙ ｃｏｎｓｔｒｕｃｔｉｏｎ ｚｏｎｅｓ［Ｊ１．Ｊｏｕｒｎｌａ ｏｆ Ｃｏｎｓｔｒｕｃｔｉｏｎ Ｅｄｕｃａｔｉｏｎ，２００２，７ （１）：４５—５７． ［８】Ｌｅｅ Ｅ－Ｂ，Ｋｉｍ Ｃ，Ｈｅｒｉｖｅｙ Ｊ Ｔ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｍａｃｒｏ—ａｎｄ ｍｉｃｒｏ— ｓｃｏｐｉｅ ｓｉｍｕｌａｔｉｏｎｓ ｆｏｒ ｔｈｅ ｔｒａｆｆｉｃ ｐｌａｎｎｉｎｇ ｏｆ ｕｒｂａｎ ｈｉｇｈｗａｙ ｒｅｃｏｎ— ［２】Ｋｉｒｓｃｈｆｉｎｋ Ｈ，Ｃｈａｄｅｎａｓ Ｃ．Ｔｒａｆｆｉｃ ｓｉｔｕａｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ ａｐｐｌｙｉｎｇ ｐａｔｔｅｒｎ ｍａｔｃｈｉｎｇ ａｎｄ ｆｕｚｚｙ ｃｌａｓｓｉｉｆｃａｔｉｏｎ【Ｃ］／／Ｅｕｒｏｐｅｎ Ｓｙｍｐａｏｓｉｕｍ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｃｈｎｉｑｕｅｓ，Ｊｕｎｅ ３－－４。１９９９．Ｇｒｅｅｃｅ：Ｏｒｔｈｏｄｏｘ Ａｃａｄｅ一 ｓｔｕｒｃｔｉｏｎｓ［Ｃ］／／Ｔｒｎｓａｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ ８４ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ。Ｊａｎｕａｒｙ ９一ｌ３，２ｏｏ５：１—２３． ２２４ ２００６．３６计算机工程与应用
