智能交通系統(tǒng)中有一個(gè)特殊的子系統(tǒng)-緊急救援系統(tǒng),緊急救援系統(tǒng)的存在是為了解決生活中常見的意外事件。該系統(tǒng)的高效運(yùn)行依賴于智能交通系統(tǒng)中其他的子系統(tǒng),并且可以將交通監(jiān)控中心與職業(yè)的救援機(jī)構(gòu)連成一個(gè)有機(jī)的整體從而實(shí)現(xiàn)該系統(tǒng)的存在意義。在我們的日常生活中,交通事故的發(fā)生是不可預(yù)測(cè)的,這就需要完善的緊急救援系統(tǒng)的快速響應(yīng)來減少事故發(fā)生造成的損失。一般來說,當(dāng)事故發(fā)生時(shí),會(huì)同時(shí)需要很多救援資源到場(chǎng)合作處理,如何在最短時(shí)間內(nèi)最高效率的完成資源的調(diào)度成了現(xiàn)在研究人員關(guān)心的問題之一。針對(duì)上述問題,本文提出了基于現(xiàn)有條件的解決辦法,具體如下:（1）基于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,簡(jiǎn)稱RNN）的交通事故預(yù)測(cè)算法首先提出了一個(gè)基于RNN模型的交通事故預(yù)測(cè)算法。該算法對(duì)車聯(lián)網(wǎng)中車輛上傳的實(shí)時(shí)數(shù)據(jù)和網(wǎng)絡(luò)基礎(chǔ)設(shè)施采集的信息進(jìn)行處理,并根據(jù)歷史數(shù)據(jù)信息訓(xùn)練得出一個(gè)預(yù)測(cè)模型。該模型根據(jù)現(xiàn)有的交通天氣情況對(duì)道路信息進(jìn)行實(shí)時(shí)分析,并利用RNN模型對(duì)事故發(fā)生概率進(jìn)行預(yù)測(cè),為后續(xù)的資源調(diào)度提供依據(jù)。從模型的訓(xùn)練結(jié)果可以看出,預(yù)測(cè)的準(zhǔn)確度和誤判度都達(dá)到智能交通系統(tǒng)（Intelligent T... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)圈結(jié)構(gòu)：??接下來，我們通過展示一個(gè)循環(huán)神經(jīng)網(wǎng)路的內(nèi)部模型圖２．２，來講述ＲＮＮ模型的結(jié)??

為后續(xù)操作提供基礎(chǔ)保障。??本文采用監(jiān)督學(xué)習(xí)方法，通過構(gòu)建和監(jiān)督一個(gè)ＲＮＮ模型，預(yù)測(cè)事故發(fā)生的概率，??如圖３．１所示。??Ｍｅａｎ??Ｃｏｎｓｔ?〇＇?￣ｌｏｓｓ??李????Ｓｑｕａｒｅ??ＣＺ＞?ｇｒａｄｉｅｎｔｓ?ＧｒａｄｉｅｎｔＤｅ?…??！??Ｖａｒｉａｂｌｅ」片??—１?／??ＧｒａｄｉｅｎｔＤｅ．．．?＼?．?、丨?＼７．ｉ＿ｉ?｝?ＧｒａｄｉｅｎｔＤｅ?…??ｍｎ?Ｉ?．，?ｉｎｉ，?ｒａｎｄ〇ｍ＿ｎ〇ｒ．．．?｜?Ｊ?Ｖａｒｉａｂｌｅ?ｙｌ?＾??Ｖ?Ｚ??Ｎｖ?＼??Ｘｅｓｈａｐｅ?＞＇?＞?、??ｓｈａｐｅ?ｒａｎｄｏｍ?一?ｎｏｒ＂．??ｉ??ＰｌａｃｅｈｏＫ．??圖３．１塞于ＲＮＮ的預(yù)測(cè)模型結(jié)構(gòu)圖??具體來說，我們采用了以ＳｏｆｔＭａｘ函數(shù)作為輸出層激活函數(shù)的反向傳播模型來預(yù)測(cè)??事故發(fā)生的可能性，輸入?yún)?shù)包括：周末／工作Ｈ、霧、雨、空氣能見度和風(fēng)力。ＲＮＮ是??一組連接的單元，被定義為人工神經(jīng)元，任何兩個(gè)單元之間的連接都可以將數(shù)據(jù)號(hào)從＾??１７??

為輸入層、隱藏層和輸出層的參數(shù)變化。眾所周知，深度學(xué)習(xí)模型的主要目標(biāo)是找到最??合適的權(quán)重以最小化損失函數(shù)。然后，我們模擬模型中三層權(quán)重的變化圖。模擬結(jié)果的??直方圖如圖３．３，３．４和３．５所示。??從這篇個(gè)圖中，我們可以發(fā)現(xiàn)Ｍ層的權(quán)重變化是不一樣的。橫軸是權(quán)重，縱軸是步??長(zhǎng)。顏色越深，完成時(shí)間越早，顏色越淺，完成時(shí)間越晚。換句話說，圖片下方的訓(xùn)練??圖更接近結(jié)束狀態(tài)。??－１．９?－１．７?－１．５?－１．３?－１．１?－０．９?－０．７?－０．５?－０．３?－０．１?０．１?０．３?０．５?０．７?０．９?１．１?１．３?１．５?１．７?１．９??權(quán)重值??圖３．３輸入層參數(shù)變化??２２??

【參考文獻(xiàn)】：
期刊論文
[1]基于多條件隨機(jī)場(chǎng)的短時(shí)交通流預(yù)測(cè)模型[J]. 鄧箴,任靜,劉立波.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(10)
[2]關(guān)于微博平臺(tái)特征信息優(yōu)化檢測(cè)仿真研究[J]. 陸含波,楊長(zhǎng)春.  計(jì)算機(jī)仿真. 2017(05)
[3]基于組合模型的短時(shí)交通流量預(yù)測(cè)算法[J]. 芮蘭蘭,李欽銘.  電子與信息學(xué)報(bào). 2016(05)
[4]人工蜂群算法優(yōu)化SVR的預(yù)測(cè)模型[J]. 高雷阜,高晶,趙世杰.  計(jì)算機(jī)工程與應(yīng)用. 2016(11)
[5]基于組合預(yù)測(cè)模型的短時(shí)交通流預(yù)測(cè)[J]. 李穎宏,劉樂敏,王玉全.  交通運(yùn)輸系統(tǒng)工程與信息. 2013(02)
[6]云計(jì)算資源調(diào)度研究綜述[J]. 林偉偉,齊德昱.  計(jì)算機(jī)科學(xué). 2012(10)
[7]改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J]. 李松,劉力軍,翟曼.  系統(tǒng)工程理論與實(shí)踐. 2012(09)
[8]基于改進(jìn)型貝葉斯組合模型的短時(shí)交通流量預(yù)測(cè)[J]. 王建,鄧衛(wèi),趙金寶.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(01)
[9]簡(jiǎn)單平均法預(yù)測(cè)誤差平方和的進(jìn)一步研究[J]. 鄧雪.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2008(12)
[10]基于RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J]. 況愛武,黃中祥.  系統(tǒng)工程. 2004(02)



本文編號(hào)：2939215