摘 要

随着社会各方面的快速发展，城市交通拥堵已经成为了城市发展面临的重大难题，智能交通系统（ITS）的提出，为该问题提供了解决方案。作为智能交通系统的核心内容之一，合理、准确的交通预测能够实现交通诱导，从而有效地缓解交通拥堵问题，提高市民的出行效率。因此本文以某一交叉路口为例，通过对该交叉路口的短时交通流量的分析，提出了一个较为有效的短时交通流的预测模型。

本文在短时交通流的各项基本理论的基础上，选用ARIMA模型以及ARIMA-GRNN组合模型对短时交通流分别进行预测，并通过几种评价指标对比分析了两种模型的预测效果。最终结果表明，该组合模型是可行的，并且在短时交通流的预测中显示出优势。本文的主要工作如下：

（1）对智慧城市、短时交通流等概念和背景做了介绍，并阅读了许多文献，了解了国内外学者在这方面的一些研究进展；

（2）具体介绍了求和自回归滑动平均模型（ARIMA模型）和广义回归神经网络模型（GRNN模型）的基本原理，并建立了基于ARIMA模型和GRNN模型的组合模型；

（3）结合短时交通流的实测数据，运用单纯ARIMA模型和ARIMA-GRNN组合模型对原始数据序列进行拟合，试验结果表明组合模型比单纯ARIMA模型具有更好的拟合效果，在短时交通流预测方面也体现了更好的预测性能。

关键词：短时交通流；ARIMA模型；GRNN神经网络；ARIMA-GRNN组合模型

Abstract

With the rapid development of all aspects of society, urban heavy traffic has become a major problem in the process of urban development, intelligent transportation system (ITS) proposed to provide solutions for the problem. As one of the core content of intelligent transportation system, the reasonable and accurate traffic prediction can be realized, which can effectively alleviate the problem of heavy traffic and improve the efficiency of the traffic. Therefore, this paper takes a certain intersection as an example, through the analysis of the short-term traffic flow of the intersection, and puts forward a more effective short-term traffic flow forecasting model.

The paper is based on the basic theory of short-time traffic flow, choosing ARIMA model and ARIMA-GRNN combination model for the prediction of short term traffic flow, and comparing the prediction effect of the two kinds of models through several evaluation indexes. The final results show that the combined model is feasible, and it shows advantages in the prediction of short time traffic flow. The main work of this paper is as follows:

(1) Introduce the concept and background of smart city and short term traffic flow, and read a lot of literature, to understand some research results by the domestic and foreign scholars in this area ;

(2) Introduce the basic principle of the demand and the autoregressive moving average model (ARIMA model) and the generalized regression neural network model (GRNN model), and establish the combination model based on the ARIMA model and the GRNN model;

(3) Combined with short-time traffic flow data, using simple ARIMA model and ARIMA-GRNN combination model to fit the sequence of original data. The results of the experiment show that the combined model has better fitting effect than the only ARIMA model and reflects the better prediction performance in short-term traffic flow forecast.

Key words：Short-Time Traffic Flow; ARIMA Model; GRNN Neural Network; ARIMA-GRNN Combination Model

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 课题研究背景 1

1.1.1 研究背景 1

1.1.2 研究意义 1

1.2 国内外研究现状 2

1.3 研究主要内容和框架 3

第2章 ARIMA模型和GRNN神经网络模型 4

2.1 求和自回归滑动平均模型——ARIMA模型 4

2.2 广义回归神经网络模型——GRNN模型 7

2.2.1 人工神经网络 7

2.2.2 广义回归神经网络模型 8

2.3 ARIMA-GRNN组合模型 9

第3章 短时交通流预测实例 10

3.1 数据来源与处理 10

3.2 基于ARIMA模型的短时交通流预测 11

3.2.1 ARIMA模型的建立 11

3.2.2 运用ARIMA模型进行预测 15

3.3 基于ARIMA-GRNN组合模型的短时交通流预测 17

3.3.1 GRNN神经网路的建立与训练 17

3.3.2 GRNN-ARIMA组合模型的预测 18

3.3.3 模型评价 20

第4章 总结与展望 22

4.1 总结 22

4.2 展望 22

参考文献 23

附 录 24

致 谢 25

第1章 绪论

1.1 课题研究背景

1.1.1 研究背景

当今社会快速发展，伴随而来的是整个国家的城镇化水平越来越高，城镇人口也将越来越多。城市在发展，经济在提升，但是某些地区的“城市病”问题也日趋严峻，在城市发展的同时这些问题必然要出现，但是为了城市能够健康可持续地发展下去，这些问题必须要得以解决。由此提出了“智慧城市”的概念，智慧城市的实质就是运用各项先进的技术，能够让城市生活智能化、便捷化，让生活在城市中的人能够享受更美好的生活。智慧城市的推进发展，离不开先进的信息技术，一个城市每天的生产、工作、生活信息十分的繁多且复杂，这就必须要有一个能够处理庞大数据的强大系统作为支撑。

而交通系统是一个城市的重要枢纽系统，对于一个城市的发展而言至关重要，如果能做到对交通流的准确预测，必然会大大提高各方面的工作效率，从而实现城市的快速良好发展。作为智能交通系统（简称ITS）的核心之一，智能交通控制与诱导系统一直是ITS研究的热门课题。要想做到对交通的实时控制和诱导，其中一项关键技术就是要做到对当前交通状况的准确预测，对交通状况的预测主要是对交通流量的预测，其中又分为长期预测和短期预测，长期预测一般是指15min以上的时间段内的交通流预测，而短期预测一般是指5min-15min时间段内的交通流预测。显然，短期交通流的预测难度更大，于是也就成为了许多学者研究的对象。