隨著我國(guó)城市交通的發(fā)展,中國(guó)城市路網(wǎng)規(guī)模日益壯大,城市的交通安全問題也愈發(fā)嚴(yán)重,交通事故層出不窮。其中,大范圍的超車是產(chǎn)生交通安全問題的一個(gè)重要因素,以往的超車數(shù)據(jù)很難獲取和預(yù)測(cè),本文利用電子警察與卡口等車牌識(shí)別,通過上下游車牌識(shí)別與時(shí)間對(duì)比,可以較為精確的獲取車輛在路段之間的超車關(guān)系,并在此基礎(chǔ)上,對(duì)城市道路的超車特性進(jìn)行預(yù)測(cè)分析。本文提出了一種基于智能優(yōu)化算法優(yōu)化的灰色伯努利模型和一種深度遞歸神經(jīng)網(wǎng)絡(luò)分別用于超車問題的短時(shí)預(yù)測(cè)和長(zhǎng)時(shí)預(yù)測(cè)。灰色系統(tǒng)的序列累加方法可以有效消除外界無關(guān)信息的擾動(dòng),可以較為準(zhǔn)確的預(yù)測(cè)短時(shí)內(nèi)的超車情況,遞歸神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶功能可以實(shí)現(xiàn)優(yōu)質(zhì)信息的保留與噪聲的剔除,通過長(zhǎng)時(shí)預(yù)測(cè)和短時(shí)預(yù)測(cè)可以實(shí)現(xiàn)路網(wǎng)超車情況的合理決策。具體地,本文的主要貢獻(xiàn)如下:（1）本文提出了一種基于灰色理論的短時(shí)超車預(yù)測(cè)方法,并給出了優(yōu)化方法。路面超車數(shù)據(jù)的波動(dòng)性較大,在短時(shí)預(yù)測(cè)上,經(jīng)典統(tǒng)計(jì)學(xué)模型往往誤差較大,本文基于灰色理論的思想可以弱化其隨機(jī)性。為了得到最優(yōu)的模型超參數(shù),本文分別使用了差分進(jìn)化算法和量子遺傳算法進(jìn)行優(yōu)化灰色模型的累加階數(shù)和背景值構(gòu)造系數(shù)。（2）在長(zhǎng)時(shí)預(yù)測(cè)方面,本文首先梳... 

【文章來源】：上海應(yīng)用技術(shù)大學(xué)上海市

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 淺層神經(jīng)網(wǎng)絡(luò)在交通預(yù)測(cè)中的應(yīng)用
        1.2.2 深度神經(jīng)網(wǎng)絡(luò)在交通預(yù)測(cè)中的應(yīng)用
    1.3 技術(shù)路線
        1.3.1 灰色理論方法在交通預(yù)測(cè)中的應(yīng)用
        1.3.2 其他統(tǒng)計(jì)學(xué)模型在交通預(yù)測(cè)中的應(yīng)用
    1.4 研究目的與意義
    1.5 論文組織架構(gòu)
    1.6 注釋表
第2章 超車數(shù)據(jù)分析及預(yù)處理
    2.1 超車數(shù)據(jù)的來源
    2.2 超車數(shù)據(jù)的采集與預(yù)處理
    2.3 超車數(shù)據(jù)研究
第3章 基于灰色理論的短時(shí)超車預(yù)測(cè)
    3.1 經(jīng)典灰色模型建模機(jī)理及其在短時(shí)交通預(yù)測(cè)中的應(yīng)用
        3.1.1 灰色系統(tǒng)理論在短時(shí)交通預(yù)測(cè)中的應(yīng)用概述
        3.1.2 GM（1,1）模型的建模機(jī)理
        3.1.3 灰色非線性伯努利模型
        3.1.4 灰色非線性伯努利模型的參數(shù)估計(jì)
        3.1.5 基于差分進(jìn)化算法灰色非線性伯努利模型的參數(shù)優(yōu)化
        3.1.6 基于量子遺傳算法的灰色非線性伯努利模型的參數(shù)優(yōu)化
    3.2 基于灰色非線性伯努力模型的超車預(yù)測(cè)
    3.3 本章小節(jié)
第4章 基于深度遞歸神經(jīng)網(wǎng)絡(luò)的長(zhǎng)時(shí)超車預(yù)測(cè)
    4.1 人工神經(jīng)網(wǎng)絡(luò)
        4.1.1 人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        4.1.2 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則
    4.2 BP神經(jīng)網(wǎng)路模型
        4.2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        4.2.2 BP神經(jīng)網(wǎng)絡(luò)的算法框架
    4.3 基于BP網(wǎng)絡(luò)模型在超車預(yù)測(cè)應(yīng)用
        4.3.1 模型評(píng)級(jí)指標(biāo)
        4.3.2 模型仿真結(jié)果
        4.3.3 小結(jié)
    4.4 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.1 經(jīng)典循環(huán)神經(jīng)網(wǎng)絡(luò)原理與結(jié)構(gòu)
        4.4.2 GRU神經(jīng)網(wǎng)絡(luò)原理與結(jié)構(gòu)
    4.5 基于GRU與循環(huán)神經(jīng)網(wǎng)絡(luò)的超車率預(yù)測(cè)
        4.5.1 超車系統(tǒng)與深度遞歸神經(jīng)網(wǎng)絡(luò)
        4.5.2 網(wǎng)絡(luò)的訓(xùn)練過程
        4.5.3 實(shí)驗(yàn)結(jié)果與分析
    4.6 小節(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間所開展的科研項(xiàng)目和發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3055378