隨著我國(guó)經(jīng)濟(jì)的迅速發(fā)展和城市化水平的加速提高,汽車(chē)數(shù)目不斷增長(zhǎng),由此引發(fā)了交通擁堵、交通事故和空氣污染等一系列交通問(wèn)題,其中,最為嚴(yán)峻的,也是受到人們?cè)絹?lái)越多重視的就是交通擁堵問(wèn)題。為了解決這一問(wèn)題,智能交通系統(tǒng)（Intelligent Transportation System,ITS）隨之產(chǎn)生。它是目前解決城市交通問(wèn)題的有效方法,它能在現(xiàn)有技術(shù)的基礎(chǔ)上對(duì)交通信息進(jìn)行實(shí)時(shí)誘導(dǎo)與控制,最大限度提高交通運(yùn)輸系統(tǒng)的運(yùn)輸、管理效率。而實(shí)時(shí)誘導(dǎo)的關(guān)鍵是提前了解道路交通狀態(tài),這往往需要準(zhǔn)確的交通流預(yù)測(cè),因此如何準(zhǔn)確預(yù)測(cè)短時(shí)交通流量是保證智能交通系統(tǒng)有效運(yùn)行的關(guān)鍵。本文源于海信網(wǎng)絡(luò)科技公司“交通智能管控平臺(tái)”交通誘導(dǎo)模塊的預(yù)研課題,著重研究了基于花授粉算法和神經(jīng)網(wǎng)絡(luò)的城市交叉路口短時(shí)交通流預(yù)測(cè)。本文的研究將從以下幾個(gè)方面展開(kāi):首先介紹了智能交通系統(tǒng)的發(fā)展,闡述了交通流預(yù)測(cè)領(lǐng)域基本原理,為后續(xù)預(yù)測(cè)模型的建立奠定了理論基礎(chǔ);其次針對(duì)遺傳算法的不足,提出一種概率自適應(yīng)的遺傳算法,并建立了三種預(yù)測(cè)模型:基于BP神經(jīng)網(wǎng)絡(luò)、基于遺傳神經(jīng)網(wǎng)絡(luò)和概率自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)模型。通過(guò)仿真對(duì)比實(shí)驗(yàn)得出,概率自... 

【文章來(lái)源】：青島理工大學(xué)山東省

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 交通流預(yù)測(cè)研究現(xiàn)狀
        1.2.1 交通流量主要預(yù)測(cè)模型
        1.2.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文的研究工作
    1.4 論文結(jié)構(gòu)
第2章 短時(shí)交通流預(yù)測(cè)相關(guān)理論
    2.1 短時(shí)交通流量預(yù)測(cè)概念
    2.2 交通流基本特征參數(shù)
    2.3 交通流數(shù)據(jù)來(lái)源
    2.4 短時(shí)交通流預(yù)測(cè)評(píng)價(jià)指標(biāo)
    2.5 交通流特性分析
    2.6 本章小結(jié)
第3章 遺傳神經(jīng)網(wǎng)絡(luò)理論與模型的建立
    3.1 神經(jīng)網(wǎng)絡(luò)特點(diǎn)
    3.2 神經(jīng)網(wǎng)絡(luò)基本原理
        3.2.1 神經(jīng)元模型
        3.2.2 激活函數(shù)
        3.2.3 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.4 網(wǎng)絡(luò)學(xué)習(xí)理論
    3.3 bp神經(jīng)網(wǎng)絡(luò)
    3.4 遺傳神經(jīng)網(wǎng)絡(luò)
    3.5 本章小結(jié)
第4章 基于遺傳神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)模型
    4.1 交通流數(shù)據(jù)可預(yù)測(cè)性分析
    4.2 基于bp神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)
        4.2.1 網(wǎng)絡(luò)輸入樣本的選擇
        4.2.2 bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的實(shí)現(xiàn)
    4.3 遺傳神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)
    4.4 概率自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)
    4.5 結(jié)果分析
    4.6 本章小結(jié)
第5章 基于花授粉算法的神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型
    5.1 花授粉算法簡(jiǎn)介
    5.2 花授粉算法
        5.2.1 花授粉的特征
        5.2.2 花授粉算法實(shí)現(xiàn)步驟
    5.3 花授粉算法中參數(shù)的影響及改進(jìn)
        5.3.1 初始種群
        5.3.2 轉(zhuǎn)換概率
        5.3.3 局部授粉策略
    5.4 改進(jìn)的fpa-bp神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)
        5.4.1 改進(jìn)的fpa-bp神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)步驟
        5.4.2 仿真對(duì)比試驗(yàn)
    5.5 結(jié)果分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及科研工作
致謝



本文編號(hào)：3183363