發(fā)布時間：2020-05-27 03:32

【摘要】：隨著各國經(jīng)濟(jì)實(shí)力和科技實(shí)例的不斷增長,特別是近年來科技硬實(shí)力和軟實(shí)力的飛速發(fā)展,國家的科技實(shí)力和人們的生活水平都得到了不小的提高。雖然社會不斷進(jìn)步和發(fā)展,但是可供人們使用的資源是有限的。在人們生活中,車輛越來越多而道路資源是有限的;在國家戰(zhàn)備中,敵方目標(biāo)的種類、數(shù)目越來越多,而我方的火力平臺和裝備是有限的。如何合理配置這些資源成為各國關(guān)注的焦點(diǎn)。通過對交通流和目標(biāo)分配問題進(jìn)行合理的預(yù)測和分配,可以設(shè)計(jì)一套合理和科學(xué)的輔助決策方案,對輔助指揮者決策有重要的理論和現(xiàn)實(shí)意義。本文就棧式自編碼器解決交通流預(yù)測和目標(biāo)分配問題進(jìn)行研究,其主要解決的問題和創(chuàng)新點(diǎn)如下:(1)針對交通流預(yù)測中的交通流數(shù)據(jù)的高隨機(jī)性使得棧式自編碼器難以收斂和容易陷入局部最優(yōu)的問題,本文設(shè)計(jì)了基于平衡指數(shù)平滑-棧式自編碼器的交通流預(yù)測算法。該算法利用平衡指數(shù)平滑法對交通流數(shù)據(jù)進(jìn)行平滑去噪處理。使用該算法分別對5分鐘、15分鐘、30分鐘和45分鐘的交通流進(jìn)行預(yù)測,并設(shè)計(jì)的相關(guān)的對比實(shí)驗(yàn)。實(shí)驗(yàn)證明,算法中的平衡指數(shù)平滑法能夠有效的對5分鐘和15分鐘的交通流數(shù)據(jù)進(jìn)行平滑去噪,加速棧式自編碼器的收斂,增強(qiáng)網(wǎng)絡(luò)泛化能力,解決神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的問題。(2)針對基于平衡指數(shù)平滑-棧式自編碼器算法對時間間隔較長的交通流預(yù)測效果難以提升的問題進(jìn)行了分析,從分析可知從數(shù)據(jù)的角度進(jìn)行處理對時間間隔較長的交通流意義不大。針對這一問題本文從預(yù)測模型方面分析設(shè)計(jì)了棧式自編碼器-小波神經(jīng)網(wǎng)絡(luò)算法分別對四個時間間隔的交通流進(jìn)行預(yù)測。算法中的小波神經(jīng)網(wǎng)絡(luò)可以通過伸縮因子和尺度因子對交通流的局部信息進(jìn)行由粗到細(xì)的表示;一方面可以解決交通流的高隨機(jī)性,使得網(wǎng)絡(luò)難以收斂的問題;另一方面可以有效的提取交通流的局部信息;使該算法的魯棒性較好即在各個時間間隔的性能都比較好。通過相關(guān)對比實(shí)驗(yàn),證明了該方法的有效性。(3)針對火力平臺對屬性不一、用途各異的目標(biāo)難以快速制定合理的分配方案的問題,本文設(shè)計(jì)了基于棧式自編碼器-多層感知器的目標(biāo)分配算法。算法中設(shè)計(jì)了基于熵權(quán)法的射擊效能因素和最短射擊時間因素的綜合射擊有利度函數(shù),使得得到的綜合射擊有利度函數(shù)更具有客觀性;并用該函數(shù)為神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練數(shù)據(jù)。通過棧式自編碼器對目標(biāo)的多屬性進(jìn)行特征融合,提高了深度神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。該算法具有分配時間短、打擊效能高的優(yōu)勢,能切實(shí)的應(yīng)用到實(shí)際的工程項(xiàng)目中。
【圖文】：

第二章 相關(guān)理論方法介紹13圖2.6 周末交通流情況雖然該系統(tǒng)具有隨機(jī)性和不確定性，但是通過剖析大量的長時間的交通流的特征可以發(fā)現(xiàn)交通流的特征每隔相應(yīng)的時間就會出現(xiàn)類似的波形；而且，觀察的周期越長，它們的相似性就越明顯。比如，工作日和周末假期，工作日內(nèi)的波形是相似的，工作日與周末假期的波形就完全不同。如圖 2.5 和圖 2.6 分別為我國秦皇島市某一截面探測器一個周內(nèi)從工作日和周末的交通流情況，，從圖中可以看出[33]，工作日的交通流呈現(xiàn)出雙高峰的情況，周末兩日的交通流呈現(xiàn)出單高峰的情況。另一方面，交通流數(shù)據(jù)收集的時間間隙越短，交通流的隨機(jī)波動性越強(qiáng)，即時間間隔越短其波動越明顯。因?yàn)闀r間間隔越短

線明顯比較光滑，但是處理后交通流數(shù)據(jù)發(fā)生了右偏移，經(jīng)過平衡指數(shù)平滑處理后消除了其右偏移的問題。圖 3.1 充分展示了平衡指數(shù)平滑方法的濾波去噪效果。圖3.1 原數(shù)據(jù)、三次指數(shù)平滑和平衡指數(shù)平滑對比圖3. 數(shù)據(jù)歸一化處理利用最大最小歸一化方法對收集的所有數(shù)據(jù)進(jìn)行歸一化處理，最大最小歸一化方法公式如下（3-4）所示：' minmax minttx xxx x (3-4)其中，xt’表示歸一化后 t 時刻的交通流值，tx 表示 t 時刻的交通流值，minx 表示交通流數(shù)據(jù)的最小值，maxx 表示交通流數(shù)據(jù)的最大值。4.棧式自編碼器預(yù)測模型的構(gòu)建與第 2.1.2 節(jié)中描述的棧式自編碼器神經(jīng)網(wǎng)絡(luò)預(yù)測模型的結(jié)構(gòu)相同，其神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：U491.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何媛媛;;智能交通系統(tǒng)域間交通流預(yù)測關(guān)鍵技術(shù)研究[J];南方農(nóng)機(jī);2020年01期

2 李連強(qiáng);高軍偉;;基于資源分配網(wǎng)絡(luò)算法的交通流預(yù)測研究[J];工業(yè)控制計(jì)算機(jī);2017年10期

3 方琴;李永前;;K近鄰短期交通流預(yù)測[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

4 劉星委;劉建瑋;肖峰;;基于深度學(xué)習(xí)的交通流預(yù)測方法可行性研究[J];河北交通教育;2018年02期

5 鄒煜星;鄧敏;;基于長時卷積深度網(wǎng)絡(luò)的交通流預(yù)測方法[J];測繪與空間地理信息;2019年07期

6 王進(jìn);史其信;;基于非線性理論的短期交通流預(yù)測研究[J];西安建筑科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

7 向紅艷;朱順應(yīng);王紅;嚴(yán)新平;;短期交通流預(yù)測效果的模糊綜合評判[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2005年06期

8 陳相東;張勇;;基于局部多項(xiàng)式擬合的交通流預(yù)測[J];計(jì)算機(jī)工程與應(yīng)用;2012年19期

9 馬君;劉小冬;孟穎;;基于神經(jīng)網(wǎng)絡(luò)的城市交通流預(yù)測研究[J];電子學(xué)報(bào);2009年05期

10 李一龍;;基于動態(tài)規(guī)劃的城市交通流預(yù)測與分配[J];交通運(yùn)輸系統(tǒng)工程與信息;2009年03期

相關(guān)會議論文 前5條

1 姜敏華;張曉東;;穩(wěn)定轉(zhuǎn)彎比例下的交通流預(yù)測[A];2007第三屆中國智能交通年會論文集[C];2007年

2 劉秋晨;;城市交叉口短時交通流預(yù)測方法[A];共享與品質(zhì)——2018中國城市規(guī)劃年會論文集（06城市交通規(guī)劃）[C];2018年

3 陳慧敏;朱錦強(qiáng);李強(qiáng)偉;;基于深信度網(wǎng)絡(luò)的城市道路網(wǎng)交通流預(yù)測研究[A];第十一屆中國智能交通年會大會論文集[C];2016年

4 陳寧;吳堅(jiān);王移風(fēng);徐建軍;董紅召;;基于分形理論的短時城市交通流預(yù)測方法研究[A];2009中國控制與決策會議論文集（1）[C];2009年

5 陳岳明;蕭德云;;擁堵條件下的路網(wǎng)交通流預(yù)測[A];2008’“先進(jìn)集成技術(shù)”院士論壇暨第二屆儀表、自動化與先進(jìn)集成技術(shù)大會論文集[C];2008年

相關(guān)重要報(bào)紙文章 前2條

1 本報(bào)記者 鈕懌;“金蛋”是怎樣孵出來的[N];文匯報(bào);2008年

2 鈕懌邋王春;“金蛋”孵化記[N];科技日報(bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 黎光宇;高速公路交通流預(yù)測和仿真及其應(yīng)用[D];天津大學(xué);2017年

2 吳剛;高速公路交通流預(yù)測及事故預(yù)警方法研究[D];天津大學(xué);2014年

3 于志恒;基于智能理論的交通流量組合預(yù)測模型研究[D];東北師范大學(xué);2016年

4 楊廣全;電梯交通流分析及電梯群控策略研究[D];上海交通大學(xué);2007年

5 楊飛;基于回聲狀態(tài)網(wǎng)絡(luò)的交通流預(yù)測模型及其相關(guān)研究[D];北京郵電大學(xué);2012年

6 王凡;基于支持向量機(jī)的交通流預(yù)測方法研究[D];大連理工大學(xué);2010年

7 劉勇;基于熱力學(xué)熵和混沌理論的城市道路交通系統(tǒng)的研究[D];長安大學(xué);2009年

8 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學(xué);2016年

9 周堂;物聯(lián)網(wǎng)背景下城市交通擁堵事前疏導(dǎo)研究[D];湖南大學(xué);2014年

10 夏大文;基于MapReduce的移動軌跡大數(shù)據(jù)挖掘方法與應(yīng)用研究[D];西南大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 李文婧;面向多時段控制的長時交通流預(yù)測及分割點(diǎn)優(yōu)化方法[D];浙江大學(xué);2019年

2 王碩;基于特性分析的短時交通流預(yù)測方法研究[D];北京交通大學(xué);2019年

3 薛亞鑫;基于LSTM深度神經(jīng)網(wǎng)絡(luò)的短期交通流預(yù)測[D];北京交通大學(xué);2019年

4 趙蕾;基于卷積神經(jīng)網(wǎng)絡(luò)的快速路交通流預(yù)測研究[D];北京交通大學(xué);2019年

5 林錦香;基于深度學(xué)習(xí)的交通流預(yù)測[D];華南理工大學(xué);2019年

6 陳健;高速路網(wǎng)交通流預(yù)測分析方法的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2019年

7 李德志;基于改進(jìn)IndRNN的高速公路交通流預(yù)測算法研究[D];南京郵電大學(xué);2019年

8 張斌;基于運(yùn)動模式挖掘的路網(wǎng)移動對象交通流預(yù)測[D];南京郵電大學(xué);2019年

9 任藝柯;基于改進(jìn)的LSTM網(wǎng)絡(luò)的交通流預(yù)測[D];大連理工大學(xué);2019年

10 丁振林;基于棧式自編碼器的交通流預(yù)測和目標(biāo)分配方法研究[D];西安電子科技大學(xué);2019年

本文編號：2682883