隨著我國(guó)城市化進(jìn)程的快速推進(jìn),中心城市的交通在一些時(shí)段和區(qū)域擁堵嚴(yán)重。精準(zhǔn)的交通流預(yù)測(cè)可以為交通控制系統(tǒng)提供良好的道路通行狀態(tài)預(yù)報(bào),在一定程度上緩解城市擁堵問(wèn)題。然而,傳統(tǒng)交通流預(yù)測(cè)的研究中存在兩個(gè)難點(diǎn),一是交通流多步預(yù)測(cè)步長(zhǎng)小、精度差;二是多條道路的交通流預(yù)測(cè)耗時(shí)長(zhǎng)、效率低。本文從實(shí)際應(yīng)用出發(fā),針對(duì)當(dāng)前交通流預(yù)測(cè)方法中存在的問(wèn)題,綜合考慮時(shí)間維度和空間維度,以回聲狀態(tài)網(wǎng)絡(luò)模型為基礎(chǔ),提出了基于回聲狀態(tài)網(wǎng)絡(luò)的單點(diǎn)多步交通流預(yù)測(cè)模型和多點(diǎn)單步交通流預(yù)測(cè)模型,并將這兩種模型應(yīng)用于車輛路徑優(yōu)化問(wèn)題。具體內(nèi)容如下:⑴時(shí)間維度,針對(duì)傳統(tǒng)多步交通流預(yù)測(cè)步長(zhǎng)小、精度低的問(wèn)題,提出了一種基于回聲狀態(tài)網(wǎng)絡(luò)的單點(diǎn)多步交通流預(yù)測(cè)模型,其預(yù)測(cè)的時(shí)間范圍是一天。該模型結(jié)合交通流的周期性特征重構(gòu)時(shí)間序列,并引入主成分分析降維思想,利用回聲狀態(tài)網(wǎng)絡(luò)模型進(jìn)行交通流時(shí)間序列預(yù)測(cè)。一方面能夠?qū)⒃嫉亩嗖筋A(yù)測(cè)問(wèn)題轉(zhuǎn)換成多個(gè)單步預(yù)測(cè)問(wèn)題,提高模型的預(yù)測(cè)精度;另一方面能夠降低數(shù)據(jù)維度,提高預(yù)測(cè)效率,在去掉冗余數(shù)據(jù)的同時(shí)還能進(jìn)一步提高預(yù)測(cè)精度。此外還采用自適應(yīng)擾動(dòng)粒子群算法優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)模型中的重要參數(shù),將該模型應(yīng)用到實(shí)際交通... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

實(shí)測(cè)交通流數(shù)據(jù)圖

(b) 直接預(yù)測(cè)法 圖3.3 交通流預(yù)測(cè)實(shí)驗(yàn)結(jié)果圖 從圖 3.3 中的實(shí)驗(yàn)結(jié)果可以看出，基于回聲狀態(tài)網(wǎng)絡(luò)的交通流直接預(yù)測(cè)和迭代預(yù)測(cè)方法的預(yù)測(cè)結(jié)果均能反映出每天車流量的大致變化趨勢(shì)和規(guī)律。但是在每天的交通流高峰時(shí)刻，直接預(yù)測(cè)方法比迭代預(yù)測(cè)方法在一定程度上更好地?cái)M合數(shù)據(jù)的震蕩規(guī)律。兩種方法預(yù)測(cè)結(jié)果的誤差見表 3.2。 表3.2 預(yù)測(cè)誤差統(tǒng)計(jì)表 mad rmse (%)mape 迭代預(yù)測(cè) 75.50 92.50 20.35直接預(yù)測(cè) 52.81 68.87 12.25 從表 3.2 中可以看出，基于 ESN 的交通流直接預(yù)測(cè)方法對(duì)車流量數(shù)據(jù)的預(yù)測(cè)精度更高，直接預(yù)測(cè)方法的平均絕對(duì)百分比誤差mape 為 12.25%，相較于迭代預(yù)測(cè)方法降低了 8.1%。實(shí)驗(yàn)表明直接預(yù)測(cè)方法更適用于交通流預(yù)測(cè)。 （2）ESN 與 ARIMA 直接預(yù)測(cè)與迭代預(yù)測(cè)對(duì)比試驗(yàn)的結(jié)果表明交通流直接預(yù)測(cè)方法比迭代預(yù)測(cè)方法的精度更高，接下來(lái)將基于 ESN 的直接預(yù)測(cè)方法與經(jīng)典的 ARIMA 模型直接預(yù)測(cè)方法進(jìn)行實(shí)驗(yàn)對(duì)比，使用與上一實(shí)驗(yàn)相同的數(shù)據(jù)。實(shí)驗(yàn)結(jié)果如圖 3.4 所示

29 圖3.4 兩種交通流預(yù)測(cè)方法結(jié)果對(duì)比圖 由圖 3.4 可知，基于 ESN 的直接預(yù)測(cè)方法比經(jīng)典的 ARIMA 直接預(yù)測(cè)方法具有更高的精度，ARIMA 方法僅能預(yù)測(cè)出交通流數(shù)據(jù)的大致變化趨勢(shì)，但是實(shí)際預(yù)測(cè)值和真實(shí)值相差很大。這兩種方法的預(yù)測(cè)結(jié)果的誤差見表 3.3。 表3.3 兩種方法預(yù)測(cè)誤差統(tǒng)計(jì)表 mad rmse mape （%） ARIMA 108.53 129.46 73.89 ESN 52.81 68.87 12.25 從表 3.3 中也可以看出，經(jīng)典 ARIMA 直接預(yù)測(cè)方法的平均絕對(duì)誤差mape 達(dá)到了73.89%，而基于 ESN 的直接預(yù)測(cè)方法的平均絕對(duì)百分比誤差mape 僅為 12.25%，比ARIMA 降低了 61.64%。平均絕對(duì)誤差mad 和均方根誤差rmse 也分別降低了 55.72 和60.59。此外，還發(fā)現(xiàn)本節(jié)各項(xiàng)實(shí)驗(yàn)結(jié)果中的誤差都比較大，原因是實(shí)驗(yàn)中數(shù)據(jù)的采樣時(shí)間間隔為 1 小時(shí)

【參考文獻(xiàn)】：
期刊論文
[1]基于云計(jì)算的低碳物流配送網(wǎng)絡(luò)路徑優(yōu)化設(shè)計(jì)[J]. 高敏.  哈爾濱商業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[2]考慮碳排放的冷鏈物流聯(lián)合配送路徑優(yōu)化[J]. 鮑春玲,張世斌.  工業(yè)工程與管理. 2018(05)
[3]物流區(qū)域配送車輛運(yùn)輸路徑優(yōu)化調(diào)度仿真[J]. 何芳.  計(jì)算機(jī)仿真. 2018(08)
[4]基于改進(jìn)Dijkstra算法的應(yīng)急物流路徑規(guī)劃[J]. 李耀庭,劉怡君,蔡維曉,陳泉銓.  軍事交通學(xué)院學(xué)報(bào). 2018(07)
[5]基于MILK RUN模式與C-W算法的車輛路徑規(guī)劃研究[J]. 劉榮莉,柴峰濤.  科技視界. 2018(20)
[6]物流運(yùn)輸快速配送路徑規(guī)劃仿真[J]. 王力鋒,劉雙雙,劉抗英.  計(jì)算機(jī)仿真. 2017(08)
[7]Traffic Flow Data Forecasting Based on Interval Type-2 Fuzzy Sets Theory[J]. Runmei Li,Chaoyang Jiang,Fenghua Zhu,Xiaolong Chen.  IEEE/CAA Journal of Automatica Sinica. 2016(02)
[8]一種新的多標(biāo)記特征提取方法[J]. 張居杰,方敏,郭錦.  西安電子科技大學(xué)學(xué)報(bào). 2016(06)
[9]基于聯(lián)合配送的城市物流配送路徑優(yōu)化[J]. 葛顯龍,許茂增,王偉鑫.  控制與決策. 2016(03)
[10]混沌擾動(dòng)模擬退火蟻群算法低碳物流路徑優(yōu)化[J]. 張立毅,王迎,費(fèi)騰,周修飛.  計(jì)算機(jī)工程與應(yīng)用. 2017(01)



本文編號(hào)：3229120