發(fā)布時間：2020-08-21 18:58

【摘要】：隨著國民經濟的繁榮和人民生活水平的提高,我國汽車行業(yè)發(fā)展迅速,汽車數目也隨之劇增,對道路交通事業(yè)的發(fā)展和環(huán)境保護造成了巨大的阻礙。為了緩解車輛過多造成的擁堵問題,需要實施交通管制,實現(xiàn)對道路上車輛的實時管理。智能交通系統(tǒng)(ITS)作為解決交通問題的重要途徑,近年來發(fā)展迅速。ITS結合先進的信息技術和交通理論,能夠實現(xiàn)對于道路交通的有效控制和交通誘導等功能。交通預測作為智能交通的一個分支,短時交通流預測在其中占據著重要的位置。神經網絡的興起使得各種網絡模型被應用于道路交通狀態(tài)的預測中。本文提出改進的粒子群算法優(yōu)化動態(tài)Elman神經網絡進行交通流預測,主要研究以下工作:(1)Elman神經網絡屬于前饋型神經網絡,在網絡結構的隱含層中加入了自身承接層,使其也適用于動態(tài)模型。但又因其容易陷入局部最小和網絡層數多時影響算法收斂速度等缺點,因此引入群智能優(yōu)化算法和Elman神經網絡進行組合,合理的利用粒子群算法的局部搜索性能。(2)對于傳統(tǒng)的粒子群算法,根據粒子的速度和位置公式,可通過慣性權重和學習因子等參數對算法做出改進,以提高改進后算法的性能。本文利用改進的粒子群優(yōu)化Elman的組合模型對西安市南二環(huán)某路段進行交通流量和擁堵程度的預測。(3)通過分析傳統(tǒng)粒子群算法的優(yōu)缺點,提出分別從線性遞減慣性權重、去除粒子速度項、線性遞減慣性權重和動態(tài)調整學習因子三個方面進行改進,通過實驗,得出改進后的三種網絡模型的預測結果對比值。其中,一種線性遞減慣性權重和動態(tài)調整學習因子的粒子群改進算法優(yōu)化Elman神經網絡的預測效果更精準。
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U491.1
【圖文】：

智能交通系統(tǒng)圖

人工神經網絡圖

Elman神經網絡模型圖

【參考文獻】

相關期刊論文 前6條

1 劉建華;李天玉;付娟娟;吳楠;;基于BP和Elman神經網絡的智能變電站錄波啟動判據算法[J];電力系統(tǒng)保護與控制;2014年05期

2 胡啟洲;劉英舜;郭唐儀;;城市交通擁堵態(tài)勢監(jiān)控的時空分布形態(tài)識別模型[J];交通運輸系統(tǒng)工程與信息;2012年03期

3 李春英;湯志康;曹元大;;多分類器組合的交通擁堵預測模型研究[J];計算機工程與設計;2010年23期

4 莊斌;楊曉光;李克平;;道路交通擁擠事件判別準則與檢測算法[J];中國公路學報;2006年03期

5 楊兆升,楊慶芳,馮金巧;基于模糊綜合推理的道路交通事件識別算法[J];公路交通科技;2003年04期

6 姜紫峰,劉小坤;基于神經網絡的交通事件檢測算法[J];西安公路交通大學學報;2000年03期

本文編號：2799742