1. 研究目的与意义（文献综述）

随着科技的不断进步与经济的快速发展，城市车辆数目不断升高。这方便了人们的出行，但同时也使得交通状况不断恶化。道路拥堵，交通事故频发等已经成为现代城市亟待解决的问题。当下，解决此类问题的方案主要分为两种，方案一是加大基础交通设施的投入，以增加道路数目，拓宽改良道路质量等方式来提升城市交通总体的运载能力。但基础交通设施的改善不但需要投入巨大的人力、物力和时间，并且会增加城市建设负荷、扩大道路污染、影响居民生活环境，因此该方案不能从根本上解决矛盾。方案二是以增强交通管理的方式来更好地利用现有设施资源。在当下信息技术高速发展的背景下，该方案不仅能够减缓城市交通压力，缩小道路扩张产生的污染，具有可实施性；而且通过对交通信息更深入地研究，将车辆同时作为服务对象和信息来源，可从管理上有效地解决交通堵塞，交通事故频发等问题；并更好地服务车主，使其在导航时选择更合适个人出行目的的路线。

作为信息时代下的重要组成部分，人工智能为城市交通的科学管理与用户的准确导航提供了有效的技术支撑。其中智能路径规划是从出发点到目的地根据用户具体需求寻找出一条最佳路径的搜索问题，而对短时交通流的准确预测是实现路径规划和交通治理的重要前提。在小波神经网络模型与GIS的支撑下，本项目所研究的内容对解决城市交通问题具有重要意义，主要体现在以下几个方面：首先，通过神经网络算法下所获取的短时交通流量，可作为重要的数据基础，方便了交管部门对城市交通状况的科学分析并根据预测数据进行交通管理和制定相关的规章制度。同时，本项目通过分析大量的样本数据，可定量地评价现有城市道路的利用率，为城市规划部门提供了有力的数据支撑，对道路的改善和城市的整体布局规划有重要意义。最后，本项目的路径规划综合了短时车流量、导航时段、道路长度等多种因素，并能自定义各因素权重大小，不仅可以方便居民的出行，也在一定程度上加大了道路的利用率缓解了城市交通压力。

2. 研究的基本内容与方案

1．研究现状

神经网络预测法通过训练样本，找出输入与输出之间的关系来进行预测，用在短时交通流预测中的预测方法主要有径向基神经网络、反向传播神经网络（简称 bp 神经网络）、小波神经网络、模糊神经网络等。2004 年，况爱武等将 rbf 神经网络用于短时交通流预测，并用实际中测得的一段高速公路上一天中的 288 组交通数据进行验证，结果表明 rbf 神经网络对给定的训练样本有很强的逼近能力，但精度仍然不能满足实际中的需要。2008 年，陈雪平等将 bp 神经网络用于短时交通流预测，具有可行性且精度较高，但仍有待提高。总体来说，神经网络预测具有良好的自学习能力，预测精度较高，且适用性也较好，但也存在着容易陷入局部最优解、收敛速度慢等缺点。

2015 年，tao 等提出改进的粒子群算法优化后的 wnn 短时交通流预测，结果表明，改进后的算法预测精度更高。2015 年，卢建中等用模拟退火算法 sa 改进遗传算法 ga，并优化 bp 神经网络，改进后的 bp 模型预测效果更好。2017 年，kuilin 等人为了发挥 arima（自回归滑动平均模型）的良好的线性拟合能力以及 ann（人工神经网络）的强非线性映射能力，提出基于 arima 与 rbf（径向基）神经网络的组合模型，前者用于预测交通流时间序列的线性部分，后者用于预测非线性部分，即arima 模型预测后的残差部分，仿真结果表明，预测精度较高。

3. 研究计划与安排

4. 参考文献（12篇以上）

[1] 蒋婷婷.基于鸡群算法的小波神经网络短时交通流预测研究[d].西南交通大学,2018.

[2] 马飞虎,饶志强.城市道路短时交通流预测方法研究[j].公路,2017,62(06):192-196.

[3] 柴良勇. 基于小波网络的交通预测和道路择优的研究[d].合肥工业大学,2016.