课题研究内容

交通流预测是ITS的主要功能之一，及时准确的预测可为司机提供指导，以便更好地选择理想的出发时间和最佳路线，以避免发生僵局。然而，精确的交通流预测是非常有难度的，需要大量的实验，来做数据预测模拟，从而建立合适的模型。驱动程序与周围连接的东西（基础设施，交通灯，汽车等）彼此互动。在旅途中，汽车也暴露在不断变化的天气条件下。有利或恶劣的天气将严重影响道路上的司机。联邦公路管理局提供的统计数据显示，23％的车祸是由于天气条件恶化。因此，考虑天气条件对交通流量预测的影响十分重要。量化这样的影响将有助于交通运营商和道路使用者在更好的预先规划和最佳导航策略方面与天气条件相匹配。

由于道路交通和天气条件之间的密切关系，本文提出了一种新的融合天气因素的交通流预测方法，通过融合过去的交通流量数据和天气数据来预测交通流量。首先，我们研究道路交通自相关，以确定实现高预测精度所需的交通数据。然后，我们调查交通流量和天气条件之间的互相关，目的是选择最有影响力的天气变量。我们的预测方法基于ARIMA（Autoregressive Integrated Moving Average Model,自回归积分移动平均）预测模型和多变量线性回归模型。

论文目标

高速公路对一个国家的发展至关重要，随着人们生活水平的提高，人口数量在增多，汽车越来越普及，对道路交通的压力越来越大。交通流预测的研究目的是利用现代高端的科学技术准确的预测现实道路上未来时间的交通流量，为现实社会的交通规划和管理以及优化提供科学有效的理论依据，并研究和开发适合的软件程序，最终对交通系统进行及时管理和实时控制。

本次课题研究的是融合天气因素的交通流预测，基于ARIMA预测模型，以出行者为主要服务对象，通过对未来某个地点某个时间段及时准确的交通流预测，为其提供准确的交通信息和出行指导，以便更好地选择理想的出发时间和最佳路线，以避免发生拥堵，提高人们的出行效率。

论文内容

本论文主要分为五个章节，内容安排如下：

第一章：绪论。对选题背景和意义，还有交通流预测的国内外研究现状，以及本论文的目标，内容和意义做了简要的说明。

第二章：基础理论。介绍了交通流量的定义。阐述了交通流预测中用到的相关模型和相关原理，即线性预测模型（单变量线性回归，多变量线性回归），时间序列预测模型（ARIMA模型）。还介绍了本课题研究的重点。

第三章：天气和交通数据的相关性分析。介绍了天气数据和交通数据的来源，采样间隔。对空数据补全，对天气因素和交通流量做了相关性分析，得到对交通流影响最大的几个天气条件。

第四章：融合天气因素的交通流预测。如何融合天气因素来预测交通流是本课题的难点。由单变量线性回归和多变量线性回归得到了启发，基于ARIMA模型，结合多变量线性回归模型可以得到我们的融合天气因素的交通流预测模型。介绍了matlab建模解模的过程。

第五章：模型的仿真与预测结果。将传统ARIMA模型预测交通流与融合天气因素的交通流预测模型做比较，得出了融合天气因素预测交通流可以提高准确性的结论。