交通拥堵汽车流量准确预测仿真研究

交通拥堵汽车流量的准确预测,能够有效改善现有的道路网络的通行能力。对车流量的预测,需要利用模糊推理系统将交通流分为不同的模糊集,给出模糊隶属度函数,完成交通拥堵汽车流量的预测。传统方法先选出相关性较高的道路断面,得到路网空间关系归一化约束矩阵,但忽略了给出交通隶属度函数,导致预测精度偏低。提出基于模糊神经网络的拥堵汽车流量预测方法。将神经网络和自适应卡尔曼滤波模型相结合,组建拥堵汽车流量预测模型,将任意时刻的交通流预测期望值作为模型的输入,将实际预测误差作为模型的输出,利用模糊推理系统将交通流分为不同的模糊集,给出模糊隶属度函数,将小波函数作为模糊推理系统的输入,利用神经网络实现模糊推理,借鉴遗传理论优化模糊神经网络,完成对拥堵汽车流量的预测。实验结果表明,所提方法预测精度较高,具有较高的预测准确性。