——小波神经网络的时间序列分析——交通流量预测
摘要
本文主要对目前交通流量预测的不同方法进行了讨论，综述了此课题的研究的背景、目的和意义，介绍了国内外相关研究的发展概况，分析得出了小波神经网络模型的基本结构，并结合相关文献提出了后续设计过程中的重点难点。
关键词：交通流量预测、小波神经网络、时间序列预测、
前言
随着社会经济的发展，我国的汽车保有量不断上升。根据公安部公布的最新数据显示，全国汽车保有量为2.6亿，位居全球第二。因此，人们的出行方式发生了极大的变化，城市拥堵逐渐成为热议话题。交通对于推动经济发展极为重要，所以研究如何改进交通状况也逐渐得到更多的关注。在为数不多的改进方法中，智能交通系统（ITS）是近几年的新产物，并且逐步成为研究热点。ITS的核心是对于交通流量的精准预测，因此是否能做到精确预测将直接决定系统的好坏。小波神经网络（WNN）作为小波分析与神经网络的结合，具有更强的学习能力，对同样的学习任务精度更高，且网络结构更简单，收敛更快。将WNN应用于交通流量预测，将显著提高预测的精准度，达到ITS的预测要求。
国内外发展现状
世界各国近几十年来都有投入精力于智能交通系统的研究，因此也涌现了多种不同的交通流量预测模型。但是由于各自模型的局限性，都存在着不同的问题。
1992年，Qinghua Zhang等人首次将小波变换理论与前馈式神经网络相结合，提出了小波神经网络的概念[1]。
2001年，陈哲等人提出了一种多输入、多输出的小波神经网络模型[2]，将Szu等人提出的两种基于连续小波变换的自适应小波神经网络模型进行了改进[3]，使网络的收敛能力得到提升，并且具有一定的推广能力，但是存在训练后期效果较差的问题。
2003年，王正武等针对短时交通流的特性重点介绍了计量模型、神经网络模型、非线性预测和动态交通分配的理论基础和可行性分析[4]，并对比了各类模型的预测性能，得出时间跨度大于5min时，适合用统计方法进行短时交通流预测；时间跨度小于5min时，适合用小波分析、分形理论等进行短时交通流预测。
2006年，周小勇等人讨论了将小波分析应用在了故障诊断中的利弊[5]，发现利用小波分析易于处理难以建立数学模型的解析对象，并且对于部分故障诊断是十分高效的，但同时也存在难以选择小波基波、较难实际应用的问题。同年，孟维伟在交通流量的预测中结合了BP神经网络与遗传算法[6]，并且对BP神经网络层数的确定、节点数的选择等问题做了讨论，另外利用附加动量法对传统BP神经网络容易陷入局部最小的问题作出了改进，但是该算法对于历史数据的要求较高，在实际运用中较难获取大量有效的数据。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
