畢業(yè)論文-城市車流量灰色預(yù)測技術(shù)研究

湖南大學(xué)畢業(yè)設(shè)計(論文)第頁1緒論1.1研究背景和意義當(dāng)前，隨著社會經(jīng)濟(jì)的高速發(fā)展以及城市建設(shè)不斷完善，人民生活水平日益提高，人們越來越多依賴交通工具往返于城市之間，行駛在城市道路上的車輛也越來越多，公路車流量持續(xù)增加，造成公路上的道路擁堵情況愈加嚴(yán)重，由此所引發(fā)了意外交通事故、能源浪費、城市環(huán)境污染破壞等一系列問題，嚴(yán)重影響了國民生活水平。城市道路一旦發(fā)生交通事故都將造成嚴(yán)重的后果，并且事故影響的時間一般都較長，極易引發(fā)二次性交通事故。此外，一旦發(fā)生了交通擁堵或交通事故，車輛將會排成長隊，并產(chǎn)生大量的汽車廢氣，據(jù)有關(guān)資料顯示，一輛車每年排出的有害尾氣比車自身重量大三倍，這將嚴(yán)重污染空氣質(zhì)量。2因此如何利用現(xiàn)有信息和資源對上述問題進(jìn)行有效的解決，防止勢態(tài)的惡化從而保證公路暢通有序運行，成為目前公路管理亟待解決的問題。公路交通擁堵狀況日益嚴(yán)重和交通事故頻頻發(fā)生的根本原因主要有兩方面，一方面是公路交通管理部門缺乏對公路交通狀態(tài)變化的整體把握，因此無法進(jìn)行有效的交通誘導(dǎo)和疏導(dǎo)；另一方面在于駕駛者不清楚實時的路況變化，盲目地出行，會導(dǎo)致發(fā)生交通擁堵現(xiàn)象。2所以精確地把握實時路況、交通的狀態(tài)和變化，關(guān)鍵就在于要準(zhǔn)確地預(yù)測交通流量變化的趨勢。也就是說，要想實現(xiàn)公路有效地管理，降低交通事故、交通擁堵現(xiàn)象的發(fā)生頻率，做好道路交通的安全規(guī)劃，重點就是要做好公路交通流量的有效預(yù)測。對交通流量的預(yù)測現(xiàn)在已經(jīng)成為了智能交通領(lǐng)域的熱點，準(zhǔn)確預(yù)測不僅能夠為交通管理部門提供決策和支持，同時也能夠為出行者提供有效路徑疏導(dǎo)服務(wù)，選用合適的預(yù)測方法從而提高車流量預(yù)測的精度準(zhǔn)確度，具有十分深遠(yuǎn)的意義。1.2國內(nèi)外研究現(xiàn)狀信息化時代，科學(xué)的交通管理和控制要求能夠根據(jù)當(dāng)前的路網(wǎng)交通流的變化規(guī)律，科學(xué)地判斷、預(yù)測高速公路的交通流的變化情況，并提前采取有效的措施避免可能存在的交通擁擠或堵塞問題，主動采取發(fā)布信息，交通廣播等誘導(dǎo)的方式來保障公路路網(wǎng)的交通順暢。3目前常規(guī)的預(yù)測方法有趨勢曲線模型預(yù)測法，回歸分析預(yù)測法，和移動平均法，季節(jié)系數(shù)法，指數(shù)平滑法等時間序列的預(yù)測法，智能預(yù)測方法有灰色預(yù)測，卡爾曼濾波，支持向量機，混沌理論和神經(jīng)網(wǎng)，多Agent預(yù)測法，組合預(yù)測法等。由于灰色預(yù)測有所需的樣本少、不需要計算統(tǒng)計的特征等等優(yōu)點，受到了研究人員充分的重視并將它運用在道路交通流量的預(yù)測當(dāng)中，一定程度上，解決了即使在交通調(diào)查數(shù)據(jù)不太完整的情況下，也目前,在交通流量預(yù)測方面,雖然預(yù)測模型和數(shù)理計算等方面進(jìn)行了大量研究,但采用慣用的預(yù)測理論、方法得出的預(yù)測結(jié)果，可信度仍偏低。。4究其原因主要有:交通流量統(tǒng)計資料的缺乏,高等級的道路要求交通流量預(yù)測時期較長;當(dāng)用國民經(jīng)濟(jì)的增長作交通流量預(yù)測相關(guān)依據(jù)時,對國民經(jīng)濟(jì)的指標(biāo)缺乏深入的了解與相關(guān)性分析;誘增交通流量增長缺少經(jīng)驗,難以準(zhǔn)確判斷;交通流量調(diào)查資料的可靠性不高對于公路交通流量預(yù)測，國內(nèi)外學(xué)者進(jìn)行了相關(guān)研究.上世紀(jì)中葉開始，國外就有學(xué)者利用預(yù)測方法對短時交通流量進(jìn)行預(yù)測，如Kalman濾波理論進(jìn)行車流量預(yù)測的方法，該方法適用于線性估計模型;非線性動態(tài)系統(tǒng)的非參數(shù)回歸法,對公路短時車流量進(jìn)行預(yù)測。大約上個世紀(jì)八十年代，我國學(xué)者也相繼在交通流量領(lǐng)域進(jìn)行深入研究。汪超用巴特沃斯低通濾波器改進(jìn)GM(1，1)模型的誤差修正的方法，并將它運用在高速公路車流量預(yù)測，使誤差修正更準(zhǔn)確、算法性能更穩(wěn)定。5陳淑燕利用神經(jīng)網(wǎng)絡(luò)理論進(jìn)行車流量的預(yù)測，并運用灰色理論模型加以改進(jìn)。蔣亞平等將馬爾柯夫分析方法對城市交叉路口的車輛流量進(jìn)行預(yù)測，結(jié)果顯示這個算法預(yù)測出的車流量跟實測的車流量相比誤差較小，在短時車流量的預(yù)測上是可行的。董超軍等人在高階混沌時間序列的預(yù)測當(dāng)中引入了誤差反饋系數(shù)，改進(jìn)了混沌理論車流量的預(yù)測迄今為止，國內(nèi)外已經(jīng)出現(xiàn)較為成熟的交通流量預(yù)測的方法。通過總結(jié)可以看出,這些預(yù)測方法大致可以分成以下幾大類：基于線性系統(tǒng)理論的預(yù)測、基于非線性系統(tǒng)理論的預(yù)測方法、基于知識發(fā)現(xiàn)智能預(yù)測的方法及基于組合方式預(yù)測的方法。預(yù)測方法主要有:回歸預(yù)測法和歷史均值法,神經(jīng)元網(wǎng)絡(luò)法和Kalaman濾波法。但這些預(yù)測方法有局限性:非參數(shù)回歸雖然可用于交通流的非線性動態(tài)系統(tǒng)，但是該方法需要大量分析數(shù)據(jù)，參數(shù)的確定麻煩,預(yù)測速度較慢;歷史均值法方法相對簡單，但是無法研究車流量的動態(tài)性和非線性;神經(jīng)網(wǎng)絡(luò)算法存在訓(xùn)練速度慢、容易陷入局部極小點的缺陷;Kalaman濾波法無法用于非線性系統(tǒng)的預(yù)測。1.3研究內(nèi)容城市交通流量隨時在變動,具有隨機性,不確定性和非線性的特點,針對這些特點,本文選用了灰色系統(tǒng)預(yù)測模型對城市交通流量進(jìn)行預(yù)測。該方法運用累加生成的手段和微分方程描述灰色模型，有效地處理了離亂數(shù)據(jù)和貧信息，具有良好的精度和實用性?；疑到y(tǒng)理論中：一切的隨機量都可以看做在一定范圍里變化的隨機的變量，公路交通量也可以看做灰色量。公路交通流量的大小，是由多種因素造成的，雖然因素之間的確切關(guān)系無法描述，但是公路交通流量時間序列的數(shù)據(jù)是這些因素互相作用的結(jié)果，所以可以用公路交通流量時間序列作為這個灰色量的出發(fā)點，對未來公路交通流量進(jìn)行預(yù)測本文章以長沙市某路段某一天的車流量數(shù)據(jù)資料為例，具體用灰色模型進(jìn)行預(yù)測。2交通流理論深刻認(rèn)識研究對象是構(gòu)造有效的預(yù)測模型的關(guān)鍵.交通流量是用來描述交通流的狀態(tài)的一個重要的特征參數(shù),因此,以交通流量作為研究對象,在給交通流控制和誘導(dǎo)系統(tǒng)提供合理技術(shù)支持的時候,要考慮到它本身的特點,還要清楚而全面地認(rèn)識交通流基礎(chǔ)知識。交通流理論就是運用數(shù)學(xué)和物理學(xué)方法，描述交通特征的一門邊緣性學(xué)科，是交通流誘導(dǎo)、交通信號的控制理論的基礎(chǔ)。其用分析方法來闡述交通機理和交通的現(xiàn)象，使人們理解和揭示出交通現(xiàn)場本質(zhì)，且通過這個理論讓城市交通管理系統(tǒng)更好地發(fā)揮其作用。2.1交通流基本特征參數(shù)交通流通常指車流,它的往往具有模糊性和隱藏性的特點,這是由于車輛的出行目的各異,路線的不同,也與交通環(huán)境,道路條件有關(guān)。交通量,占有率和速度作為描述交通流的基本特征參數(shù)。交通流量是單位時間駛過道路某一地點的車輛數(shù),又稱交通量.它有過去，現(xiàn)在，未來的分別,后者叫做遠(yuǎn)景或者未來交通量,根據(jù)未來的時間長短,大概有3到5年近期,5到10年中期,10到20年遠(yuǎn)期。未來交通量也是道路交通建設(shè)和規(guī)劃當(dāng)中非常重要的一項技術(shù)指標(biāo),更是決定道路斷面，確定道路的等級,結(jié)構(gòu)標(biāo)準(zhǔn)與形式不可或缺的一個基本條件。未來交通量也是對未來的交通狀況的一種描述,人們現(xiàn)在只能通過過去與現(xiàn)在的已知的條件來推測、預(yù)測發(fā)展結(jié)果,而且所得到的結(jié)論不一定就是客觀的規(guī)律,未必就等同于未來真實的情況,應(yīng)該說利用預(yù)測來推斷未來,一定存在誤差,誤差的大小隨著預(yù)測的未來的時間增加而增加。交通流量q，單位時間T通過道路車輛數(shù)N表示，單位是輛/每小時。相鄰兩輛車的車頭同一時間的距離叫做車頭間距X，車輛在同一地點經(jīng)過的時間間距叫做車頭時距H，交通量也可以由平均車頭時距的倒數(shù)來表示。車有行駛車速,空間平均車速,時間車速,地點車速,區(qū)間車速。車輛實際行駛公路路段的距離，除以總時間得到區(qū)間速度；車輛在實際行駛某一路段的車速為行駛車速;車輛行駛過公路某一個地點的瞬時速度叫做地點速度;車輛在固定德觀測地點,給定時間間隔內(nèi)，測量得到的車速的平均值就死時間平均速度;某歌瞬間,在道路的一個特定長度內(nèi)行駛過的全部車輛的地點車速平均值為空間平均車速。交通密度以某一瞬時，一定長度的道路內(nèi)占有的車輛數(shù)N表示，單位是輛./(千米.車輛)。密度是表示交通流的擁擠程度的指標(biāo)，但觀測困難時它的缺點。因此，交通管理控制中，多以比較容易測定的占有率代替密度,在某段定時內(nèi),全部車輛駛過某一斷面所需時間的累積值與該段時間的比例叫做時間占有率,占有率分為時間占有率和空間占有率,交通流均勻是,時間占有率和密度成正比關(guān)系。2.2交通流的主要影響因素目前為止，大量學(xué)者已將交通系統(tǒng)看做復(fù)雜非線性的巨系統(tǒng)來研究它的特性，在系統(tǒng)中各個路段的狀態(tài)改變是由多重因素交互作用造成的。它的變化主要由下面幾種因素影響：當(dāng)前路段車流量的密度、當(dāng)前路段的車流速度、前方路段的車速與流量、紅綠燈的影響、交通設(shè)施的狀況、天氣因素、人為原因、交通時段。2.3交通流的特性交通流是在道路通行條件和人們出行共同影響下產(chǎn)生的，它具有網(wǎng)狀特性、時空特性、隨機性和時變特征、不確定性、不可預(yù)知性、內(nèi)在相關(guān)性、內(nèi)在約定性、長程相關(guān)性、自組織特性、速度-密度關(guān)系特性等。道路交通好似一個巨大的網(wǎng)路,縱橫交錯,交互聯(lián)通,每一條道路都有各自的交通流,使整個交通流看似一個具有流動物質(zhì)的大網(wǎng)絡(luò)。不同空間,不同時間都會有不同的交通流的出現(xiàn),同一時間,同一地點的交通流不可能替代另一個地點時間的交通流,這就是交通流時空特性的體現(xiàn)。10道路每個方法都存在不同車道,車道在不同時刻有不一樣的車流量,車輛行駛也是一個隨機變化不可控的過程,因此交通流存在很大程度的隨機性.并且,出行者在了解了道路的路況后,很可能隨時調(diào)整出發(fā)時間,出發(fā)和到達(dá)的時間都是時變的,造成交通流高峰期的時變性.此外,交通擁堵現(xiàn)象會發(fā)生在不同的地點和時間.在實際交通系統(tǒng)中,交通流的狀況被諸多因素制約,如天氣變化,車輛性質(zhì),司機的心理變化等不確定因素.所以,交通流也具有不確定性,而且不確定性隨著預(yù)測時間的縮短逐漸增強交通誘導(dǎo)與控制的實時性要求，以分秒度量時間,這個時候，瞬時的交通需求就展現(xiàn)出了強烈波動性,并且交通系統(tǒng)是主動系統(tǒng),是以人為主體的。它與物質(zhì)流控制系統(tǒng)有不同,無法得知旅行者的出行去時間和出行去向,所以交通需求是不可預(yù)知的。在實時的交通誘導(dǎo)和控制問題中，交通需求是不可預(yù)知的理論。交通需求又是一種有目的需求,不是毫無規(guī)律的游走,所以也存在一定內(nèi)在相關(guān)性.交通流的人為主體行為是一種理性駕駛,每個人追求的都是安全,快速,通暢的目標(biāo),所以存在相互協(xié)調(diào)合作,在宏觀上形成有序結(jié)構(gòu)的可能,內(nèi)在約定性是交通流自組織的重要原因。11一旦確定了城市布局和道路網(wǎng),道路上交通流的整體特性也基本確定,也就是說交通流的出行特征在時間和空間中存在長程相關(guān)性.主要由系統(tǒng)內(nèi)部決定的,系統(tǒng)有序的結(jié)構(gòu)形成與完善稱為自組織性,交通流的主體行人或車輛會選擇聰明的方式?jīng)Q定他們的群體行動。交通流可以實現(xiàn)各種集體行為，能以最有效方式達(dá)成交通疏導(dǎo)的集體行為隨時間增長，但其他集體行為會很快衰亡，因此，宏觀上交通流的演化有自組織行為。交通流出現(xiàn)車流速度隨車輛密度上升而單調(diào)下降的現(xiàn)象，違背了流量特性，而且還不存在唯一速度密度關(guān)系，由此看出交通流是一個隨機的相互影響、相互聯(lián)系、不斷變化的復(fù)雜整體，交通流的任何變化都不是偶然，是相互影響的結(jié)果，都會對下一個時刻的短時交通流變化起到?jīng)Q定性作用，因此應(yīng)該在區(qū)域路網(wǎng)內(nèi)選取預(yù)測因子，和預(yù)測點有密切關(guān)系的路口或者路段。交通流的時空性、不確定性、隨機性和不可預(yù)知性更說明了交通流量的非線性特征，而且本質(zhì)上反映了交通流變化速度快的原因?？傊?，交通流表現(xiàn)出錯綜復(fù)雜的特性，造成交通流量的復(fù)雜性，給精確進(jìn)行交通流預(yù)測帶來了巨大的挑戰(zhàn)。2.4交通流的預(yù)測預(yù)測是用來研究規(guī)律的科學(xué)的手段,預(yù)測的過程通常調(diào)研為第一步,獲得信息后(情況，數(shù)據(jù)和經(jīng)驗),經(jīng)過分析和判斷,按一定的理論方法,建立并運用模型,推證出結(jié)果,用于解決未來的問題。預(yù)測技術(shù)應(yīng)用的方法有很多種,主要分為兩大類:一是定性的預(yù)測技術(shù);二是定量的預(yù)測技術(shù),系統(tǒng)建立起描述目標(biāo)、因素間相互關(guān)系的模型,當(dāng)中時間序列的分析用來研究預(yù)測目標(biāo)y與時間t的關(guān)系,也稱為時間序列的預(yù)測技術(shù)。對道路建設(shè)與路網(wǎng)規(guī)劃來說,交通流預(yù)測是根據(jù)歷史和現(xiàn)狀社會，經(jīng)濟(jì)，交通供應(yīng)和交通特征資料的分析與研究,推算規(guī)劃年內(nèi)的交通需求。預(yù)測方法之一為運用道路現(xiàn)有交通流量,建立數(shù)學(xué)模型來推測交通流量的增長規(guī)律;另一方法則是根據(jù)OD的調(diào)查結(jié)果,來研究影響區(qū)域路網(wǎng)交通流量的變化,推算區(qū)域內(nèi)修建的道路遠(yuǎn)景交通流量,這通常考慮幾個不同又緊密關(guān)聯(lián)的預(yù)測過程,為交通發(fā)生，交通分布，交通方式劃分，交通分配,叫做四階段預(yù)測法。在道路現(xiàn)有的交通流量的基礎(chǔ)上增長到的遠(yuǎn)景交通量部分就是基本交通流量,也為預(yù)測交通流量的主要部分,也是預(yù)測轉(zhuǎn)移與誘增交通流量的基礎(chǔ)。12它的定量預(yù)測的模型包含因子分析模型(也稱回歸分析法)與時間序列模型,前者要求足夠年限的基礎(chǔ)資料做為依據(jù),它的數(shù)學(xué)表達(dá)式可以歸納為線性與非線性兩類;后者又稱趨勢外推模型,表示道路的交通發(fā)生量隨時間變化的規(guī)律,利用外插法可以求得未來的交通發(fā)生量,但若沒有精確的交通流量原始資料就進(jìn)行遠(yuǎn)景預(yù)測的時候,它的3灰色系統(tǒng)理論3.1灰色系統(tǒng)基本概念美國控制學(xué)專家維納與英國的科學(xué)家艾什比曾經(jīng)用閉盒和黑盒來表示內(nèi)部信息不知的對象。從那以后,顏色深淺就常被人們用來表征系統(tǒng)信息的完善程度,黑色系統(tǒng)就是非確知的、未知的信息系統(tǒng)，白色系統(tǒng)是內(nèi)部特性完全已知的系統(tǒng)，含有已知的，也有非確知的或者未知的信息系統(tǒng)被稱為灰色系統(tǒng)。我們中國的鄧聚龍教授曾經(jīng)提出，可以利用灰色系統(tǒng)里面的白色信息，求解控制性問題的方案,用灰色方程，灰色參數(shù)，灰色矩陣描述灰色系統(tǒng)?！盎疑到y(tǒng)”（GreySystem）是指信息不完全的系統(tǒng)。信息不完全包括系統(tǒng)結(jié)構(gòu)、系統(tǒng)因素、因素關(guān)系、系統(tǒng)作用原理等方面的不完全性，這使得系統(tǒng)的部分信息已知，部分信息未知，這時系統(tǒng)介于“白”和“黑”之間?；疑到y(tǒng)絕對存在，但白色和黑色系統(tǒng)是相對存在的。3.2灰色系統(tǒng)主要內(nèi)容灰色系統(tǒng)是研究“部分信息已知的,部分信息是未知的”，“貧信息的”、“小樣本的”不確定系統(tǒng)，通過對部分已知的信息進(jìn)行生成和開發(fā)從而實現(xiàn)對現(xiàn)實世界確切的認(rèn)識和描述。系統(tǒng)信息不完全歸納起來,有結(jié)構(gòu)信息的不完全、元素信息的不完全、運行行為信息的不完全、邊界信息的不完全等?；疑到y(tǒng)理論是以系統(tǒng)論作為指導(dǎo)，以灰色系統(tǒng)作為主要研究對象，經(jīng)過長久的發(fā)展，現(xiàn)在基本建立一門新興的學(xué)科結(jié)構(gòu)體系。它融合了系統(tǒng)論、現(xiàn)代計算、現(xiàn)代數(shù)學(xué)、信息論等學(xué)科思想，主要研究灰色系統(tǒng)的信息流動、控制結(jié)構(gòu)、組織結(jié)構(gòu)和構(gòu)成要素，主要內(nèi)容有灰色代數(shù)系統(tǒng)、灰色矩陣、灰色方程為基礎(chǔ)的理論體系?；疑P(guān)聯(lián)空間為基礎(chǔ)的分析體系，灰色序列為依托的方法體系，以灰色模型會核心的模型體系?；疑到y(tǒng)理論是分析、研究、設(shè)計和調(diào)控系統(tǒng)目標(biāo)的一般學(xué)科，有應(yīng)用性和綜合性?；疑Ｐ桶次宀拷?gòu)建，通過灰色的生成作用弱化系統(tǒng)隨機性，挖掘其潛在規(guī)律，通過微分方程和差分方程的互換，實現(xiàn)離散數(shù)據(jù)序列來建立聯(lián)系動態(tài)微分方程的飛躍?；疑到y(tǒng)理論表示，不管客觀系統(tǒng)表象多復(fù)雜，表征數(shù)據(jù)多雜亂無章，系統(tǒng)內(nèi)部的必然聯(lián)系還是存在，內(nèi)在規(guī)律潛藏著，具有整體功能。任何的隨機過程都是一定范圍內(nèi)變化的灰色量，就是灰色過程，將過程變量細(xì)分后，歸為聯(lián)系的、平穩(wěn)的、動態(tài)隨機過程。利用灰色聚類、灰色建模、關(guān)聯(lián)分析、灰色生成等加工手段，尋找系統(tǒng)內(nèi)部規(guī)律，用來預(yù)見系統(tǒng)未來的發(fā)展，調(diào)控系統(tǒng)發(fā)展?fàn)顟B(tài)，實現(xiàn)系統(tǒng)能量物質(zhì)的優(yōu)化。具體來說灰色系統(tǒng)體現(xiàn)了系統(tǒng)觀、遞進(jìn)觀、微分觀、映射觀、灰色觀、動態(tài)觀、指數(shù)觀、實用觀。3.3灰色系統(tǒng)五部建模思想研究一個新的系統(tǒng)，通常首先要建立起系統(tǒng)的數(shù)學(xué)模型，從而對系統(tǒng)整體功能，協(xié)調(diào)功能和系統(tǒng)各個因素間的動態(tài)關(guān)系，關(guān)聯(lián)關(guān)系，進(jìn)行具體的量化式研究，這種研究一定是以定性分析為先導(dǎo)的，定性和定量緊密結(jié)合。系統(tǒng)的模型的建立，通常要經(jīng)過思想開發(fā)、分析、量化、數(shù)據(jù)動態(tài)化、系統(tǒng)優(yōu)化五個步驟，稱五步建模。開發(fā)思想，概念形成，通過定性的分析研究，確定研究方向目標(biāo)、途徑和措施，并且用精確的語言將結(jié)果表達(dá)，這就是語言模型。剖析語言模型中各因素之間的關(guān)系，找出影響的因果。量化各環(huán)節(jié)的因果關(guān)系，得出初步的概略量化關(guān)系，為量化模型。收集各個環(huán)節(jié)的輸入數(shù)據(jù)輸出數(shù)據(jù)，對所得數(shù)據(jù)序列建立動態(tài)GM模型，動態(tài)建模，動態(tài)模型是更高層次量化模型，它更深刻地揭示了輸入和輸出間的數(shù)量關(guān)系、轉(zhuǎn)換規(guī)律，是系統(tǒng)優(yōu)化和分析的基礎(chǔ)。系統(tǒng)研究和分析動態(tài)模型，調(diào)整結(jié)構(gòu)機理和參數(shù)，重組系統(tǒng)，優(yōu)化配置，改善動態(tài)品質(zhì)，這樣得到的就是優(yōu)化模型。在建模的過程中，要不斷將下一個階段的結(jié)果回饋，經(jīng)過多次的循環(huán)往復(fù)，使整個模型更加完善。3.4灰色預(yù)測方法由于環(huán)境對系統(tǒng)存在干擾,系統(tǒng)信息中的原始數(shù)據(jù)序列通常呈現(xiàn)離亂狀況,離亂數(shù)列就是灰色數(shù)列或灰色過程,灰色理論是利用那些較少的或者不確切地，表示了系統(tǒng)行為特征的，原始數(shù)據(jù)序列生成變換后建立起微分方程,對灰色過程建立起的模型叫做灰色模型,簡稱為GM模型。它揭示出系統(tǒng)內(nèi)部事物的連續(xù)發(fā)展變化的過程?；疑A(yù)測是運用灰色動態(tài)GM模型，對時間序列進(jìn)行數(shù)量的大小預(yù)測。在技術(shù)處理層面上，灰色過程是通過對原始數(shù)據(jù)列的處理來尋找數(shù)列的規(guī)律，將無規(guī)律，雜亂無章的原始數(shù)據(jù)通過數(shù)據(jù)生成處理后，變成比較有規(guī)律的序列，接著建模，可以不用知道原始數(shù)據(jù)先驗特性?；疑A(yù)測模型是長期的一種預(yù)測的模型?；疑A(yù)測方法就是根據(jù)過去和現(xiàn)在已知或非確知的信息,構(gòu)建一個從過去引伸到未來的GM模型,從而能確定系統(tǒng)未來發(fā)展變化趨勢,為規(guī)劃與決策提供依據(jù)。在灰色預(yù)測模型里,時間序列進(jìn)行了數(shù)量大小預(yù)測,稱做等間隔序列數(shù)列預(yù)測。預(yù)測模型是一階微分方程與變量的灰色模型,對于人口增長，農(nóng)業(yè)產(chǎn)量，商品銷售量與交通量等特定變化量分析和預(yù)測。3.5灰色GM（1,1）預(yù)測模型目前運用廣泛的灰色預(yù)測模型是GM（1，1）模型，關(guān)于數(shù)列預(yù)測的一元一階微分。它基于隨機原始的時間序列，按時間累加后形成新的時間序列。新的時間序列呈現(xiàn)出的規(guī)律，用一階線性微分方程解來逼近。經(jīng)證實，一階線性微分方程解的逼近所揭示的原始的時間序列呈指數(shù)變化的規(guī)律。所以，當(dāng)原始的時間序列隱含指數(shù)變化規(guī)律時，灰色模型GM（1，1）的預(yù)測是非常準(zhǔn)確的。除此之外，灰色預(yù)測對原始數(shù)據(jù)的個數(shù)要求低，多于四個數(shù)據(jù)便可以進(jìn)行預(yù)測。CheChiangHsu指出灰色系統(tǒng)是研究“部分信息明確，部分信息未知”的“小樣本，貧信息”不確定性系統(tǒng)，它通過對已知部分信息的生成，去開發(fā)、了解和認(rèn)識現(xiàn)在的世界。所以，在事件信息收集不完全或信息沒有明顯規(guī)律性時，可考慮使用灰色預(yù)測方法?；疑到y(tǒng)建模就是利用離散時間序列的數(shù)據(jù)建立起近似連續(xù)（灰的）微分方程模型,在這個過程中,累加生成(AGO)運算是基本的手段,它的生成函數(shù)就是灰色建模與預(yù)測的基礎(chǔ)。x0t來源于所收集到的描述過去和現(xiàn)在狀況的數(shù)據(jù),是構(gòu)建系統(tǒng)的數(shù)學(xué)模型的依據(jù)。14但是在貧信息的情況下,要用概率統(tǒng)計的方法尋找它的統(tǒng)計規(guī)律,或者用模糊統(tǒng)計的方法尋求隸屬規(guī)律是很困難的,可是對于離散過程,在某種程度上強化確定性與弱化不確定性也是可能的,這個途徑是經(jīng)過通過累加生成的運算得出生成時間序列。生成的時序和原始的時序相比較,確定性大大增強了，波動和隨機性明顯被弱化了。這時候在生成層次上再求解得生成函數(shù),據(jù)此建立起被研究對象模型,通過利用生成序列的數(shù)據(jù)，GM模型得到預(yù)測結(jié)果。即將序列擬合成3.5.1構(gòu)建GM(1,1)模型設(shè)有原始數(shù)據(jù)x0=x0i，i=1,2,…,n為某個預(yù)測對象的單調(diào)非負(fù)原始的數(shù)據(jù)列，對它構(gòu)建灰色預(yù)測模型，先對x0作一次累加的x1=x其中x1k=i=1對x1dx1即GM（1，1）模型。上面白化微分方程的解是（離散響應(yīng)式）：X1k+1或X1k式中：k表示時間序列，可取年、季、月。3.5.2辯識算法標(biāo)記參數(shù)序列為a，a=a,uT,a=B其中：B為數(shù)據(jù)陣，Yn為數(shù)據(jù)列B=-Y3.5.3預(yù)測值的還原因為GM模型得到的是數(shù)據(jù)的一次累加量，k∈{n+1,n+2,?}各個時刻的預(yù)測值，必須將GM模型所得到的數(shù)據(jù)X1k+1（或者X1kX1k=i=1X由于X所以X0k3.5.4精度檢驗=1\*GB3①殘差的檢驗絕對殘差序列e當(dāng)中，e0相對殘差序列q=q其中，qk=e0平均誤差為q=1nk=1=2\*GB3②后驗查檢驗原始數(shù)據(jù)平均值和均方差的計算x0=絕對殘差平均值和均方差的計算e0=后驗差的比值計算C=S2S1=3\*GB3③小誤差的概率檢驗P=pe0k表3.1模型精度檢驗標(biāo)準(zhǔn)精度等級相對誤差e后驗差比值C小誤差概率p精度等級相對誤差e后驗差比值C小誤差概率P一級0.010.350.95三級0.100.650.70二級0.050.500.80四級0.200.800.60GM（1,1）模型中參數(shù)-a是發(fā)展系數(shù)，b是灰色作用量。-a反映出X0及X1的發(fā)展態(tài)勢，通常情況下，系統(tǒng)的作用量應(yīng)是外生或前定的，但是GM（1,1）是單序列建模，只涉及系統(tǒng)行為序列（或叫做背景值、輸出序列），沒有外作用序列（或為驅(qū)動量、輸入序列）。GM（1,1）里的灰色作用量是由背景值挖掘出的具體表現(xiàn),它的存在,區(qū)分灰色建模和一般輸入輸出建模的過程,也GM模型的優(yōu)點為少數(shù)據(jù)性，良好的時效性，較強的系統(tǒng)性與關(guān)聯(lián)性，它將研究對象看做發(fā)展變化的系統(tǒng)，可以對事物得發(fā)展態(tài)勢進(jìn)行量化的比較分析，它的動態(tài)過程可以反映系統(tǒng)已知信息與未知信息的相互影響，相互制約的系統(tǒng)的特征，并可以揭示出系統(tǒng)內(nèi)涵間的本質(zhì)聯(lián)系，且建模精度高，可以保持原有系統(tǒng)的特征，能良好地反映系統(tǒng)實際的情況。4基于灰色模型的車流量預(yù)測道路交通體系是多層次，多因素，多目標(biāo)的復(fù)雜性系統(tǒng)。當(dāng)中，交通量信息系統(tǒng)有動態(tài)變化隨機性，明顯層次復(fù)雜性，指標(biāo)數(shù)據(jù)不確定性與不完全性，結(jié)構(gòu)關(guān)系模糊性。人為因素、技術(shù)方法、自然環(huán)境變化等對交通系統(tǒng)的影響,各種數(shù)據(jù)的誤差或短缺甚至產(chǎn)生虛假的現(xiàn)象,系統(tǒng)結(jié)構(gòu)、狀態(tài)和邊界關(guān)系難以精確地描述，系統(tǒng)作用機制變得不明確,。在模型化、實體化、作量化的研究的時候,可以作為反映系統(tǒng)的主要動態(tài)特征的數(shù)據(jù)很少。我們面對的道路交通流量是一個既包含已知(過去與現(xiàn)在交通流量)、又含有未知和非確知(未來遠(yuǎn)景的交通量)信息系統(tǒng),在系統(tǒng)控制中是典型的灰色系統(tǒng),它的變化和發(fā)展規(guī)律體現(xiàn)交通系統(tǒng)的模糊特征,所以對道路交通流量的系統(tǒng)規(guī)律認(rèn)知可用灰色系統(tǒng)理論來解決。4.1實例分析本文選取長沙市某路段某一天車流量的統(tǒng)計數(shù)據(jù)作為樣本。這里指的車流量表示的是在一定時間內(nèi)，某條公路上所通過機動車的車輛數(shù)，包括了小型，中型，大型以及特大型貨車；小型和大型客車；托掛機與拖拉機;集裝箱，摩托車等。選取其8:00-18:00時間段每隔5分鐘的車流量數(shù)據(jù)共120個，分成6組,依次用每組中前10個數(shù)據(jù)建模,采用灰色預(yù)測模型對接下來的10個數(shù)據(jù)，進(jìn)行預(yù)測，共進(jìn)行6次。依托MATLAB平臺,運用灰色預(yù)測模型,做好預(yù)測精度的檢驗。4.2模型流程=1\*GB3①對車流量原始數(shù)據(jù)做一階累加，形成原始序列的生成序列；=2\*GB3②檢驗原始數(shù)據(jù)序列的準(zhǔn)光滑性；=3\*GB3③對生成序列進(jìn)行指數(shù)規(guī)律性檢驗；=4\*GB3④以上兩步檢驗通過后，建立GM預(yù)測模型；=5\*GB3⑤求解微分方程，建立生成數(shù)據(jù)列模型；=6\*GB3⑥對上步所得響應(yīng)式作一次累減生成，還原原始數(shù)據(jù)列模型；=7\*GB3⑦對預(yù)測模型進(jìn)行合理性和準(zhǔn)確度的檢驗評定。4.3車流量預(yù)測結(jié)果借助MATLAB對原始數(shù)據(jù)列進(jìn)行處理，生成了累加數(shù)據(jù)列，弱化隨機性。再按照參數(shù)辨識過程計算模型參數(shù)。利用MATLAB依次求得第一組的a,u值如下:a1=-0.0206，則第一組車流量的GM（1,1）模型序列式為：X1（k+1將上式再累減還原，得出預(yù)測數(shù)據(jù)x0(k),接著用灰色模型GM（1,1）預(yù)測車流量，表4.1第一組灰色模型預(yù)測車流量預(yù)測值與實際值的對比北京時間實際車流量/輛預(yù)測值/輛差值08:50-08:552020.0000008:55-09:002119.61561.384409:00-09:051920.02471.024709:05-09:101820.44232.442309:10-09:151920.86861.868609:15-09:202421.30372.696309:20-09:252321.74801.25209:25-09:302522.20152.798509:30-09:352222.66450.664509:35-09:402123.13712.1371圖4.1第一組實際車流量和預(yù)測車流量對比走勢表用MATLAB求得第二組的a,u值為：a2=0.0403，u則第二組車流量的GM（1,1）模型序列式為：X1（k+1）=表4.2第二組灰色模型預(yù)測車流量預(yù)測值與實際值的對比北京時間實際車流量/輛預(yù)測值/輛差值10:30-10:351416.0000210:35-10:401314.28021.280210:40-10:451313.71580.715810:45-10:501213.17371.173710:50-10:551112.65301.653010:55-11:001012.15292.152911:00-11:051411.67262.327411:05-11:101511.21133.788711:10-11:151210.76821.231811:15-11:201010.34260.3426圖4.2第二組實際車流量和預(yù)測車流量對比走勢表用MATLAB求得第三組的a,u值為：a3=-0.0267，u則第三組車流量的GM（1,1）模型序列式為：X1（k+1）=702.3056表4.3第三組灰色模型預(yù)測車流量預(yù)測值與實際值的對比北京時間實際車流量/輛預(yù)測值/輛差值12:10-12:151917.0000212:15-12:201819.02921.029212:20-12:251519.54484.544812:25-12:301720.07443.074412:30-12:351520.61835.618312:35-12:401921.17702.177012:40-12:451821.75083.750812:45-12:502022.34012.340112:50-12:551922.94543.945412:55-13:002123.56722.5672圖4.3第三組實際車流量和預(yù)測車流量對比走勢表用MATLAB求得第四組的a,u值為：a4=-0.0039，u則第四組車流量的GM（1,1）模型序列式為：X1（k+1）=表4.4第四組灰色模型預(yù)測車流量預(yù)測值與實際值的對比北京時間實際車流量/輛預(yù)測值/輛差值13:50-13:552117.00004.000013:55-14:002221.33220.667814:00-14:051921.41502.415014:05-14:101721.49824.498214:10-14:151621.58175.581714:15-14:201821.66553.665514:20-14:251821.74973.749714:25-14:301621.83425.834214:30-14:351921.91902.919014:35-14:402022.00412.0041圖4.4第四組實際車流量和預(yù)測車流量對比走勢表用MATLAB求得第五組的a,u值為：a5=0.0273，u則第五組車流量的GM（1,1）模型序列式為：X1（k+1）=-665.76表4.5第五組灰色模型預(yù)測車流量預(yù)測值與實際值的對比北京時間實際車流量/輛預(yù)測值/輛差值15:30-15:352325.00002.000015:35-15:402017.91952.080515:40-15:451517.43712.437115:45-15:501516.96781.967815:50-15:551416.51112.511115:55-16:001816.06671.933316:00-16:051615.63430.365716:05-16:101715.21341.786616:10-16:151414.80400.804016:15-16:201414.40550.4055圖4.5第五組實際車流量和預(yù)測車流量對比走勢表用MATLAB求得第六組的a,u值為：a6=0.0106，u則第六組車流量的GM（1,1）模型序列式為：X1（k+1）=-2239.2667e表4.6第六組灰色模型預(yù)測車流量預(yù)測值與實際值的對比北京時間實際車流量/輛預(yù)測值/輛差值17:10-17:152014.00006.000017:15-17:202223.52051.520517:20-17:251923.27354.273517:25-17:302123.02902.029017:30-17:352022.78712.78