本文選題：交通狀態(tài)預(yù)測　切入點(diǎn)：BP神經(jīng)網(wǎng)絡(luò)　出處：《大連海事大學(xué)》2017年碩士論文

【摘要】：近些年,城市道路交通擁擠問題日益嚴(yán)重,影響著人們?nèi)粘Ｉ�。尤其在上班高峰期、下班高峰期等用車高峰時段,道路擁堵現(xiàn)象會極其嚴(yán)重。然而此時并不是所有道路都處于擁堵狀態(tài),通過對城市道路交通狀態(tài)的預(yù)測,可以掌握路況信息,能夠最大效率地利用城市道路資源,緩解擁堵道路上的交通壓力。因此,集合多種先進(jìn)技術(shù)的智能交通系統(tǒng)逐漸成為解決城市道路擁堵問題的關(guān)鍵途徑。城市道路交通狀態(tài)預(yù)測是智能交通系統(tǒng)中交通控制和交通誘導(dǎo)的關(guān)鍵。在查閱總結(jié)大量文獻(xiàn)與資料后,論文提出城市道路交通狀態(tài)預(yù)測模型,該模型包括城市道路的速度預(yù)測以及城市道路交通狀態(tài)判別。通過比較用于交通流預(yù)測的相關(guān)模型后,論文建立基于改進(jìn)粒子群算法的BP神經(jīng)網(wǎng)絡(luò)的城市道路速度預(yù)測模型。在經(jīng)典粒子群算法中引入遺傳算法中"交叉"與"變異"概念,改進(jìn)后的算法可以克服經(jīng)典算法的較容易陷進(jìn)局部最優(yōu)值等問題。再利用改進(jìn)的粒子群算法對經(jīng)典BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值的賦值進(jìn)行優(yōu)化,使神經(jīng)網(wǎng)絡(luò)具有更高的精度。針對城市道路交通狀態(tài)判別,論文建立的是基于模糊C均值聚類算法的交通狀態(tài)判別模型,既可以體現(xiàn)出樣本與各個聚類中心的歸屬關(guān)系,又可以進(jìn)行類別劃分。論文將大連市部分出租車的實(shí)際浮動車數(shù)據(jù)進(jìn)行預(yù)處理后,應(yīng)用到城市道路交通狀態(tài)預(yù)測模型中進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,論文的城市道路交通狀態(tài)預(yù)測模型能夠較好的對城市道路進(jìn)行交通狀態(tài)的預(yù)測,對交通誘導(dǎo)與控制具有一定的參考意義,使有限的城市路網(wǎng)資源發(fā)揮更大的效果。
[Abstract]:In recent years, the problem of urban road traffic congestion is becoming more and more serious, which affects people's daily life. However, not all roads are in a state of congestion at this time. By predicting the traffic state of urban roads, we can grasp the information of road conditions and make the most efficient use of urban road resources. Ease traffic pressure on congested roads. Intelligent Transportation system (its), which gathers many advanced technologies, is becoming the key way to solve the problem of urban road congestion. The prediction of urban road traffic condition is the key of traffic control and traffic guidance in its. After summing up a lot of literature and data, This paper puts forward a model of urban road traffic state prediction, which includes the speed prediction of urban road and the discrimination of urban road traffic state. In this paper, the prediction model of urban road speed based on BP neural network based on improved particle swarm optimization algorithm is established. The concepts of "crossover" and "mutation" in genetic algorithm are introduced into classical particle swarm optimization algorithm. The improved algorithm can overcome the problem that the classical algorithm is easily trapped in the local optimal value, and then optimizes the assignment of the connection weight and threshold value of the classical BP neural network by using the improved particle swarm optimization algorithm. In view of the traffic state discrimination of urban road, a traffic state discriminant model based on fuzzy C-means clustering algorithm is established, which can reflect the relationship between the sample and each cluster center. After preprocessing the actual floating vehicle data of some taxis in Dalian City, it is applied to the urban road traffic state prediction model to verify. The experimental results show that, The prediction model of urban road traffic state in this paper can better predict the traffic state of urban road, which has some reference significance for traffic guidance and control, and makes the limited urban road network resources play a greater role.
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：U491.14;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓悅臻,曹三鵬;城市道路交通狀態(tài)指標(biāo)體系設(shè)計(jì)探討[J];公路;2005年06期

2 皮曉亮;王正;韓皓;孫亞;;基于環(huán)形線圈檢測器采集信息的交通狀態(tài)分類方法應(yīng)用研究[J];公路交通科技;2006年04期

3 勞云騰;楊曉光;云美萍;劉競宇;;交通狀態(tài)檢測方法的評價(jià)研究[J];交通與計(jì)算機(jī);2006年06期

4 王偉;楊兆升;李貽武;劉新杰;陳昕;;基于信息協(xié)同的子區(qū)交通狀態(tài)加權(quán)計(jì)算與判別方法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2007年03期

5 戢曉峰;;城市道路交通狀態(tài)分析方法回顧與展望[J];道路交通與安全;2008年03期

6 李娟;羅霞;姚琛;;基于多源數(shù)據(jù)的交通狀態(tài)判定研究[J];鐵道運(yùn)輸與經(jīng)濟(jì);2009年03期

7 李清泉;高德荃;楊必勝;;基于模糊支持向量機(jī)的城市道路交通狀態(tài)分類[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2009年S2期

8 強(qiáng)添綱;邱潔;;基于熵和耗散結(jié)構(gòu)理論的道路交通狀態(tài)演變機(jī)理[J];交通標(biāo)準(zhǔn)化;2010年Z1期

9 竇慧麗;王國華;;基于模糊聚類和判別分析的交通狀態(tài)提取算法[J];交通信息與安全;2010年02期

10 曹成濤;崔鳳;林曉輝;;基于神經(jīng)網(wǎng)絡(luò)的交通狀態(tài)模糊判別方法[J];科學(xué)技術(shù)與工程;2010年21期

相關(guān)會議論文 前3條

1 郭義榮;張曉棟;董寶田;吳蕾;;基于模糊理論的交通狀態(tài)快速識別與躍遷轉(zhuǎn)變方法[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第四分冊）[C];2013年

2 竇瑞;云美萍;楊曉光;;基于視頻錄像的交通狀態(tài)判別算法準(zhǔn)確度評測[A];第七屆中國智能交通年會優(yōu)秀論文集——智能交通技術(shù)[C];2012年

3 余碧瑩;邵春福;;基于時空模型的道路網(wǎng)交通狀態(tài)預(yù)測[A];2008第四屆中國智能交通年會論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 馬旭輝;城市道路交通網(wǎng)絡(luò)過飽和狀態(tài)信號控制方法研究[D];北京交通大學(xué);2016年

2 劉擎超;基于集成學(xué)習(xí)的交通狀態(tài)預(yù)報(bào)方法研究[D];東南大學(xué);2015年

3 徐東偉;道路交通狀態(tài)多維多粒度獲取方法研究[D];北京交通大學(xué);2014年

4 宋淑敏;非常態(tài)下異常道路交通狀態(tài)信息獲取技術(shù)研究[D];吉林大學(xué);2012年

5 許昱瑋;VANETs中面向交通狀態(tài)的車輛主動探測方法研究[D];南開大學(xué);2012年

6 孫曉亮;城市道路交通狀態(tài)評價(jià)和預(yù)測方法及應(yīng)用研究[D];北京交通大學(xué);2013年

7 錢U，

本文編號：1653796