交通信息智能预测，是指以历史的、现有的交通及相关因素的调查统计资料为依据，运用智能化的计算方法，对目标区域交通系统未来状况的测定。交通信息智能预测是预测学的一个分支，是现代交通规划学和智能交通系统(ITS)的重要组成部分。
本书在分析城市宏观交通流特点与短时交通系统动力学特性的基础上，阐述了可预测性分析和交通信息智能预测模型选择方法，建立了完整的道路交通信息智能化预测体系；重点论述了交通信息智能预测模型与方法，包括灰色预测方法、卡尔曼滤波方法、神经网络方法、支持向量机方法及组合预测方法等。同时，本书也介绍了基于多Agent理论的智能预测系统设计方法。
本书取材新颖，体现了近年来交通信息智能预测研究方面的新理论与新进展，深入浅出地介绍了交通信息智能预测理论体系，并通过大量实例阐述了交通信息智能预测方法的应用。
本书可作为交通工程专业、自动控制专业、系统工程等专业本科生、研究生以及相关学科领域研究人员的参考书。
样章试读
目录
- 《智能科学技术著作丛书》序
前言
第1章 绪论
1.1 国内外智能交通系统研究概述
1.2 交通信息预测研究的必要性
1.3 交通信息预测理论与方法
1.3.1 现代预测发展概况
1.3.2 交通信息预测方法分类
1.3.3 交通信息预测的发展趋势
1.4 交通信息智能预测的研究内容及工作流程
1.4.1 交通信息智能预测的研究内容
1.4.2 交通信息智能预测流程
1.5 本书内容与结构安排
1.6 小结
参考文献
第2章 交通信息智能预测中的信息获取
2.1 概述
2.2 交通信息检测器
2.2.1 移动式交通信息获取
2.2.2 固定式交通信息获取
2.2.3 基础交通信息采集
2.3 无检测器道路交通信息获取
2.3.1 邻近交叉口关联分析方法
2.3.2 基于数据融合的交通信息获取技术
2.4 小结
参考文献
第3章 基于动力学特性的交通信息可预测性分析
3.1 概述
3.2 交通系统动力学特性分析方法
3.2.1 交通系统动力学特性研究历程
3.2.2 研究意义及分析流程
3.3 交通系统非线性特征量的计算
3.4 交通信息可预测性分析流程
3.4.1 可预测性分析流程
3.4.2 可预测性递归图构造方法
3.5 交通信息可预测性分析实例
3.5.1 现实交通系统基本特性分析
3.5.2 现实交通系统动力学特性分析
3.6 小结
参考文献
第4章 宏观交通信息预测模型与方法
4.1 概述
4.2 回归预测方法
4.2.1 一元线性回归
4.2.2 多元线性回归
4.2.3 非线性回归
4.2.4 逐步回归
4.3 确定性时间序列预测方法
4.3.1 时间序列平滑预测方法
4.3.2 趋势曲线模型预测方法
4.4 随机性时间序列预测方法
4.4.1 平稳时间序列
4.4.2 白噪声序列
4.4.3 ARMA模型法及其预测步骤
4.4.4 其他随机时间序列预测模型
4.5 小结
参考文献
第5章 基于灰色系统理论的交通信息预测方法及应用
5.1 概述
5.2 灰色预测基本理论
5.2.1 灰色预测基本概念
5.2.2 灰色预测理论的特点
5.2.3 灰色预测模型分类
5.3 GM（1,1）预测模型及应用
5.3.1 模型的建立
5.3.2 模型检验分析
5.3.3 残差辨识
5.3.4 GM（1,1）预测模型应用
5.4 交通信息自适应灰色预测方法及应用
5.4.1 自适应灰色预测原理
5.4.2 交通流量自适应灰色预测
5.5 几类新型灰色预测模型
5.5.1 灰色马尔可夫预测模型
5.5.2 遗传优化灰色预测模型
5.5.3 模糊优化灰色预测模型
5.6 小结
参考文献
第6章 基于卡尔曼滤波理论的交通信息预测方法及应用
6.1 概述
6.2 卡尔曼滤波理论
6.3 基于卡尔曼滤波的交通流量预测模型
6.4 基于灰色关联分析的行程时间卡尔曼滤波方法
6.4.1 行程时间影响因素灰色关联分析
6.4.2 行程时间卡尔曼滤波预测算法
6.4.3 仿真实例
6.5 基于主成分分析的行程时间卡尔曼滤波方法
6.5.1 行程时间影响因素主成分分析
6.5.2 仿真实例
6.6 基于卡尔曼滤波与小波的交通信息预测方法
6.6.1 小波分析概述
6.6.2 卡尔曼滤波与小波结合的优势
6.6.3 基于卡尔曼滤波与小波的交通信息KFW预测算法
6.7 小结
参考文献
第7章 基于人工神经网络理论的交通信息预测方法及应用
7.1 概述
7.2 人工神经网络的基本原理
7.3 人工神经网络的结构形式与学习理论
7.3.1 神经网络结构
7.3.2 学习理论
7.4 基于BP网络的交通信息预测方法及应用
7.4.1 感知器
7.4.2 BP网络及其学习算法
7.4.3 BP算法的改进
7.4.4 BP网络在交通信息预测中的应用
7.5 基于RBF网络的交通信息预测方法及应用
7.5.1 原始数据预处理
7.5.2 RBF网络学习算法
7.5.3 仿真实验及分析
7.6 基于人工神经网络的预测方法研究新进展
7.6.1 遗传神经网络
7.6.2 小波神经网络
7.6.3 粗神经网络
7.7 小结
参考文献
第8章 基于支持向量机理论的交通信息预测方法及应用
8.1 概述
8.2 支持向量机理论
8.3 基于支持向量机理论的交通信息预测算法
8.3.1 基于支持向量回归的交通信息预测算法
8.3.2 基于支持向量回归的交通信息预测仿真
8.4 基于粗糙集理论的SVM交通信息预测
8.4.1 RS理论概述
8.4.2 基于RS理论的SVM交通信息预测原理
8.5 小结
参考文献
第9章 混沌理论及其在交通信息预测中的应用研究
9.1 概述
9.2 混沌现象及有关概念
9.3 交通混沌研究对于交通信息预测的重要意义
9.3.1 混沌与交通混沌的发展沿革
9.3.2 交通混沌及交通分形的研究意义
9.3.3 交通混沌的研究现状
9.4 混沌特征量与交通混沌的识别方法
9.4.1 混沌特征量
9.4.2 基于Lyapunov指数的交通混沌识别
9.5 交通混沌时间序列的全域预测方法
9.6 交通混沌时间序列的局域预测方法
9.6.1 加权零阶局域法
9.6.2 加权一阶局域法
9.7 交通混沌时间序列的最大Lyapunov指数预测方法
9.7.1 最大Lyapunov指数预测算法设计
9.7.2 最大Lyapunov指数预测仿真实验
9.8 小结
参考文献
第10章 组合预测理论及其在交通信息预测中的应用研究
10.1 概述
10.1.1 组合预测的必要性
10.1.2 组合预测的优势
10.1.3 交通信息组合预测研究历程
10.2 交通信息线性组合预测理论
10.2.1 线性组合预测基本理论
10.2.2 递归等权线性组合预测方法
10.2.3 线性组合预测中的几个热点问题
10.3 非线性组合预测及其在交通信息预测中的应用研究
10.3.1 非线性组合预测原理及其算法设计
10.3.2 灰色与多项式非线性组合预测仿真实验
10.4 组合预测理论的重要新进展
10.5 小结
参考文献
第11章 基于多Agent的交通信息智能预测系统设计
11.1 概述
11.2 多Agent理论
11.2.1 Agent的概念和特性
11.2.2 Agent的认知模型
11.2.3 Agent的体系结构
11.2.4 多Agent的基本思想
11.3 基于多Agent理论的智能预测系统结构
11.4 基于多Agent理论的交通信息智能预测
11.4.1 基于多Agent的交通信息智能预测流程
11.4.2 交通信息智能预测系统中的Agent类别
11.4.3 交通信息智能预测系统仿真
11.5 小结
参考文献
京公网安备 11010102004214号