隨著城市道路交通擁堵問題日益嚴(yán)峻,為有效提高道路通行能力,智能交通系統(tǒng)應(yīng)運(yùn)而生。而智能交通系統(tǒng)的有效實(shí)現(xiàn)需要準(zhǔn)確及時(shí)的短時(shí)交通流數(shù)據(jù)作為支撐,準(zhǔn)確及時(shí)的交通流預(yù)測(cè)不僅有助于制定有效的交通管理與控制策略,減少時(shí)間和空間上的路權(quán)浪費(fèi),提高道路通行效率;而且可以為出行者提供準(zhǔn)確可靠的路徑誘導(dǎo)信息,使交通流在路網(wǎng)上有一個(gè)合理分配。本文在學(xué)習(xí)關(guān)于國(guó)內(nèi)外短時(shí)交通流預(yù)測(cè)現(xiàn)有研究成果的基礎(chǔ)上,結(jié)合短時(shí)交通流特征,提出了一種基于二次分解技術(shù)的集成神經(jīng)網(wǎng)絡(luò)模型。此外,文章重點(diǎn)考慮了短時(shí)交通流數(shù)據(jù)的預(yù)處理技術(shù)和預(yù)測(cè)模型的優(yōu)化兩個(gè)方面,所做的主要工作如下:（1）基于二次分解方法的短時(shí)交通流時(shí)間序列預(yù)處理技術(shù)。首先采用小波分解方法對(duì)交通流進(jìn)行降噪,減弱噪聲對(duì)交通流預(yù)測(cè)的干擾,通過大量仿真實(shí)驗(yàn)最終得到信噪比較高的小波分解方法;然后對(duì)小波分解后的信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解,將交通流分解為若干頻率相似的波和余波,以此提高預(yù)測(cè)模型的精確度。（2）PSR-PSO-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。由于交通流的混沌性特征,采用基于C-C方法的相空間重構(gòu)技術(shù)確定Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層節(jié)點(diǎn)數(shù);通過對(duì)最佳隱含層節(jié)點(diǎn)數(shù)進(jìn)行分層平均... 

【文章來(lái)源】：蘭州交通大學(xué)甘肅省

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

近5年全國(guó)小汽車保有量數(shù)

基于集成神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)研究-14-區(qū)主路上的實(shí)時(shí)交通流量，檢測(cè)器站點(diǎn)編號(hào)分別為#312010，#311974，#312757，檢測(cè)時(shí)間為2018年1月8日-1月12日（工作日，周一至周五）白天6:00-19:00的5min交通流數(shù)據(jù)。圖2.4PeMS系統(tǒng)工作流程圖2.4本章小結(jié)本章首先對(duì)交通流三要素：流量、速度、密度（占有率）等概念進(jìn)行概述，并介紹目前廣泛應(yīng)用的交通流檢測(cè)技術(shù)和設(shè)備；然后對(duì)交通流特性進(jìn)行分析和總結(jié)，為預(yù)測(cè)研究方法的選擇奠定理論基礎(chǔ)；最后對(duì)論文研究數(shù)據(jù)來(lái)源PeMS系統(tǒng)進(jìn)行簡(jiǎn)單介紹。

蘭州交通大學(xué)工程碩士學(xué)位論文-23-4基于Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型4.1Elman神經(jīng)網(wǎng)絡(luò)模型4.1.1人工神經(jīng)網(wǎng)絡(luò)概述自1943年美國(guó)心理學(xué)家WrrenS.McCulloch和數(shù)學(xué)家WalterH.Pills提出神經(jīng)元數(shù)學(xué)模型開始，人工神經(jīng)網(wǎng)絡(luò)經(jīng)歷了一條從興起到蕭條、又由蕭條到興盛的曲折發(fā)展道路。其理論歷程：神經(jīng)元數(shù)學(xué)模型——Hebb學(xué)習(xí)規(guī)則——感知器（完整的人工神經(jīng)網(wǎng)絡(luò)）——自適應(yīng)線性單元網(wǎng)絡(luò)——Hopfield模型——BP算法也逐漸走向成熟。神經(jīng)網(wǎng)絡(luò)的特征主要表現(xiàn)在其網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)上，按照神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，其大致可分為以下幾類：前饋式網(wǎng)絡(luò)。此種網(wǎng)絡(luò)結(jié)構(gòu)是分層按照順序排列的，每一層的神經(jīng)元輸出僅僅和下一層神經(jīng)元相連，特別適用于BP算法。由于80%～90%的神經(jīng)網(wǎng)絡(luò)模型采用的都是BP算法或其變換形式，而BP神經(jīng)網(wǎng)絡(luò)又是前向網(wǎng)絡(luò)的核心部分，所以在神經(jīng)網(wǎng)絡(luò)的研究中主要用到的是前向神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)圖如下圖4.1所示：圖4.1前向網(wǎng)絡(luò)結(jié)構(gòu)示意圖前向型神經(jīng)網(wǎng)絡(luò)中每個(gè)連接方向都是向前的，從輸入到輸出沒有反饋環(huán)節(jié)。該神經(jīng)網(wǎng)絡(luò)有一個(gè)輸入層、一個(gè)輸出層和一個(gè)或多個(gè)隱含層，輸入信號(hào)從輸入層節(jié)點(diǎn)開始，依次經(jīng)過各隱含層節(jié)點(diǎn)，然后傳到各輸出層節(jié)點(diǎn)，其中每層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。隱含層節(jié)點(diǎn)的輸入和輸出都是針對(duì)神經(jīng)網(wǎng)絡(luò)內(nèi)部的，輸出層神經(jīng)元的輸出是網(wǎng)絡(luò)的外部輸出。在確定隱含層的個(gè)數(shù)和各層節(jié)點(diǎn)的個(gè)數(shù)以后，就可以通過不斷改變連接權(quán)值和閾值來(lái)獲得期望輸出。

【參考文獻(xiàn)】：
期刊論文
[1]基于GA-BP神經(jīng)網(wǎng)絡(luò)的交叉口短時(shí)交通流預(yù)測(cè)[J]. 朱云霞,郭唐儀.  交通運(yùn)輸研究. 2019(02)
[2]EMD分解下基于SVR的股票價(jià)格集成預(yù)測(cè)[J]. 賀毅岳,高妮,王峰虎,茹少峰,韓進(jìn)博.  西北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[3]改進(jìn)PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)[J]. 馬秋芳.  計(jì)算機(jī)仿真. 2019(04)
[4]基于灰色ELM神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)[J]. 景輝鑫,錢偉,車凱.  河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[5]基于KNN-LSTM的短時(shí)交通流預(yù)測(cè)[J]. 羅向龍,李丹陽(yáng),楊彧,張生瑞.  北京工業(yè)大學(xué)學(xué)報(bào). 2018(12)
[6]基于分解–優(yōu)化–集成學(xué)習(xí)方法的電價(jià)預(yù)測(cè)[J]. 蔣鋒,何佳琪,曾志剛,田天海.  中國(guó)科學(xué):信息科學(xué). 2018(10)
[7]基于時(shí)空融合的城市快速路短時(shí)交通流預(yù)測(cè)[J]. 陸文琦,谷遠(yuǎn)利,陳倫.  計(jì)算機(jī)仿真. 2018(09)
[8]基于自適應(yīng)GAElman神經(jīng)網(wǎng)絡(luò)的短時(shí)交通預(yù)測(cè)[J]. 鄺先驗(yàn),周揚(yáng)棟,宋二猛.  計(jì)算機(jī)仿真. 2018(07)
[9]遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的交通流參數(shù)預(yù)測(cè)[J]. 車國(guó)鵬,劉永紅.  綜合運(yùn)輸. 2018(06)
[10]基于遺傳-小波神經(jīng)網(wǎng)絡(luò)和時(shí)空特性的交通數(shù)據(jù)融合[J]. 陸百川,馬廣露,李曉璐,胡松.  科學(xué)技術(shù)與工程. 2017(28)

碩士論文
[1]基于Elman神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)及應(yīng)用研究[D]. 解小平.蘭州交通大學(xué) 2017
[2]基于混沌和SVR的短時(shí)交通流預(yù)測(cè)方法研究[D]. 徐永俊.西南交通大學(xué) 2011
[3]基于集成過程神經(jīng)網(wǎng)絡(luò)的交通流動(dòng)態(tài)預(yù)測(cè)方法研究與實(shí)現(xiàn)[D]. 高小平.北京大學(xué) 2008



本文編號(hào)：3136195