【摘要】：智能交通系統(tǒng)(ITS)能成功應(yīng)用于城市道路網(wǎng)的關(guān)鍵技術(shù)之一,是城市道路交通量短時預(yù)測。滿足系統(tǒng)精度要求的城市道路短時交通量,是支撐交通管理系統(tǒng)、出行者信息系統(tǒng)等智能交通系統(tǒng)各子系統(tǒng)的基礎(chǔ)。準(zhǔn)確的交通量短時預(yù)測數(shù)據(jù),可應(yīng)用于道路交叉口信號燈實時配時,減少紅燈延誤并增強(qiáng)交叉口通行能力;可增強(qiáng)交通流可視化應(yīng)用的時效性,改善城市車輛在路網(wǎng)運行的安全狀況。城市道路交通量短時預(yù)測有著十分廣闊的應(yīng)用前景,但交通量短時預(yù)測具有隨機(jī)性與非線性等特征,使其建立數(shù)學(xué)模型較為困難。在認(rèn)真研究了交通量短時預(yù)測的各項特征之后,本文認(rèn)為人工神經(jīng)網(wǎng)絡(luò)的諸多優(yōu)點均可與其隨機(jī)性、非線性等特征相契合。將預(yù)測模型與神經(jīng)網(wǎng)絡(luò)二者理論綜合考量與融合后,建立以人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型為基礎(chǔ)的針對城市道路交通量的短時預(yù)測模型。利用MATLAB軟件實現(xiàn)預(yù)測模型之后,選取實例驗證其準(zhǔn)確性,具體研究內(nèi)容如下:首先,對交通量短時預(yù)測理論進(jìn)行研究,并利用短時交通量的時空特征對短時預(yù)測模型進(jìn)行分類,在此基礎(chǔ)之上探究模型建立的原則與制定相應(yīng)的模型評價指標(biāo)。其次,在對人工神經(jīng)網(wǎng)絡(luò)的相關(guān)理論進(jìn)行研究后,提出將BP神經(jīng)網(wǎng)絡(luò)與交通量短時預(yù)測相結(jié)合的預(yù)測方案,建立基于BP神經(jīng)網(wǎng)絡(luò)的交通量短時預(yù)測模型。建立這種短時預(yù)測模型的關(guān)鍵在于BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)的建立與相關(guān)參數(shù)的確立,在討論模型網(wǎng)絡(luò)層數(shù)選取,神經(jīng)元數(shù)目確定,預(yù)測數(shù)據(jù)處理等模型建立關(guān)鍵步驟的同時,也對BP神經(jīng)網(wǎng)絡(luò)的局限性進(jìn)行分析討論,針對其局限性提出優(yōu)化改進(jìn)的措施。再次,針對前文提出的優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值來避免網(wǎng)絡(luò)模型陷入局部最小值這一思路,選用具有自適應(yīng)全局優(yōu)化搜索算法的遺傳算法建立遺傳-BP神經(jīng)網(wǎng)絡(luò)交通量短時預(yù)測模型。利用遺傳算法優(yōu)化網(wǎng)絡(luò)模型的權(quán)值與閾值之后,再進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練及仿真預(yù)測,以提高模型的預(yù)測準(zhǔn)確性。最后,以銀川市市區(qū)交叉口實測的短期交通量數(shù)據(jù)為樣本,根據(jù)短時預(yù)測模型的分類確立兩種不同的輸入方案;根據(jù)前文對BP神經(jīng)網(wǎng)絡(luò)以及利用遺傳算法對網(wǎng)絡(luò)的優(yōu)化分析,運用MATLAB2009a神經(jīng)網(wǎng)絡(luò)工具箱建立基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型與基于遺傳算法優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型權(quán)值與閾值的兩類交通量短時預(yù)測模型。利用兩種方案與不同模型相結(jié)合對研究交叉口進(jìn)口道交通量進(jìn)行預(yù)測,并對預(yù)測結(jié)果進(jìn)行分析與對比。結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果基本滿足應(yīng)用要求;優(yōu)化后的遺傳-BP神經(jīng)網(wǎng)絡(luò)模型避免了BP神經(jīng)網(wǎng)絡(luò)的缺陷,提高了預(yù)測精度,更具利用價值。
[Abstract]:Intelligent Transportation system (ITS) is one of the key technologies which can be successfully applied to urban road network, and it is the short-term prediction of urban road traffic volume. The short-time traffic volume of urban road, which meets the requirement of system precision, is the basis of supporting the subsystems of intelligent transportation system, such as traffic management system, traveler information system and so on. Accurate short-term traffic volume prediction data can be applied to real-time traffic signal timing at road intersections to reduce red light delay and enhance traffic capacity at intersections. It can enhance the timeliness of traffic visualization and improve the safety of urban vehicles in road network operation. Short-term prediction of urban road traffic volume has a very broad application prospect, but short-term traffic volume prediction has the characteristics of randomness and nonlinearity, which makes it difficult to establish mathematical model. After studying the characteristics of traffic volume prediction in a short time, this paper holds that the advantages of artificial neural network are consistent with its randomness and nonlinearity. After synthesizing the theory of forecasting model and neural network, a short-term forecasting model for urban road traffic volume is established based on artificial neural network prediction model. After using MATLAB software to realize the prediction model, an example is selected to verify its accuracy. The specific research contents are as follows: firstly, the theory of short-term traffic volume prediction is studied, and the short-time forecasting model is classified by using the space-time characteristics of short-term traffic volume. On the basis of this, the principle of model establishment and the corresponding evaluation index of model are explored. Secondly, after studying the related theory of artificial neural network, a short-term traffic volume prediction model based on BP neural network is established by combining BP neural network with short-term traffic volume prediction. The key to establish this short-term prediction model lies in the establishment of topological structure of BP neural network model and the establishment of related parameters. While discussing the key steps of establishing the model, such as the selection of network layer number, the number of neurons, the prediction data processing and so on, the key steps of establishing the model are discussed. The limitation of BP neural network is analyzed and discussed, and the measures to optimize and improve it are put forward. Thirdly, to optimize the weights and thresholds of BP neural network to avoid the network model falling into the local minimum, The genetic algorithm with adaptive global optimization search algorithm is used to establish the short-term traffic prediction model of genetic BP neural network. After the weights and thresholds of the network model are optimized by genetic algorithm, the training and simulation prediction of the network model are carried out to improve the prediction accuracy of the network model. Finally, based on the short-term traffic volume data measured at the intersection in Yinchuan city, two different input schemes are established according to the classification of short-term prediction model. According to the BP neural network and the genetic algorithm to optimize the analysis of the network, Using the MATLAB2009a neural network toolbox, two kinds of short-term traffic volume prediction models based on traditional BP neural network model and genetic algorithm optimized traditional BP neural network model weight and threshold are established. Combining two schemes with different models, the traffic volume of the intersections is forecasted, and the results are analyzed and compared. The results show that the prediction results of BP neural network model basically meet the requirements of application, and the optimized genetic BP neural network model avoids the defects of BP neural network, improves the prediction accuracy and has more value in utilization.
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：U491.14;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

2 常國任;李仁松;沈醫(yī)文;劉鋼;;基于神經(jīng)網(wǎng)絡(luò)的直升機(jī)艦面系統(tǒng)效能評估[J];艦船電子工程;2007年03期

3 陳俊;;神經(jīng)網(wǎng)絡(luò)的應(yīng)用與展望[J];佛山科學(xué)技術(shù)學(xué)院學(xué)報(自然科學(xué)版);2009年05期

4 許萬增;;神經(jīng)網(wǎng)絡(luò)的研究及其應(yīng)用[J];國際技術(shù)經(jīng)濟(jì)研究學(xué)報;1990年01期

5 張軍華;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在軍用系統(tǒng)中的應(yīng)用[J];現(xiàn)代防御技術(shù);1992年04期

6 雷明,李作清,陳志祥,吳雅,楊叔子;神經(jīng)網(wǎng)絡(luò)在預(yù)報控制中的應(yīng)用[J];機(jī)床;1993年11期

7 靳蕃;神經(jīng)網(wǎng)絡(luò)及其在鐵道科技中應(yīng)用的探討[J];鐵道學(xué)報;1993年02期

8 宋玉華，王啟霞;神經(jīng)網(wǎng)絡(luò)診斷──神經(jīng)網(wǎng)絡(luò)在自動化領(lǐng)域里的應(yīng)用[J];中國儀器儀表;1994年03期

9 魏銘炎;國內(nèi)外神經(jīng)網(wǎng)絡(luò)技術(shù)的研究與應(yīng)用概況[J];電機(jī)電器技術(shù);1995年04期

10 王中賢，錢頌迪;神經(jīng)網(wǎng)絡(luò)法在經(jīng)濟(jì)管理中的應(yīng)用[J];航天工業(yè)管理;1995年04期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學(xué)計算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 曾U喺，

本文編號：2409297