隨著智能手機(jī)的日漸普及,移動(dòng)群智感知網(wǎng)絡(luò)通過(guò)智能終端設(shè)備搭載的多種傳感器來(lái)采集各種感知數(shù)據(jù),然后通過(guò)移動(dòng)互聯(lián)網(wǎng)傳輸至數(shù)據(jù)中心,這些數(shù)據(jù)可以便捷高效地應(yīng)用于交通、社交等領(lǐng)域中。相較于傳統(tǒng)智能交通感知網(wǎng)絡(luò)多使用感應(yīng)線圈、GPS、浮動(dòng)車等技術(shù)采集數(shù)據(jù),移動(dòng)群智感知網(wǎng)絡(luò)在部署和維護(hù)成本上優(yōu)勢(shì)比較大,在智能交通系統(tǒng)中得到了越來(lái)越廣泛的應(yīng)用,成為了新的研究熱點(diǎn)。而實(shí)時(shí)交通狀態(tài)預(yù)測(cè)可以用于交通流的控制和誘導(dǎo),能有效緩解道路交通擁堵、提高道路利用率。從移動(dòng)群智感知環(huán)境下獲取的車速數(shù)據(jù)出發(fā),對(duì)未來(lái)的交通狀態(tài)進(jìn)行更加準(zhǔn)確的預(yù)測(cè),可以降低智能交通基礎(chǔ)設(shè)施建設(shè)成本,同時(shí)提高智能交通管理效率,因此研究移動(dòng)感知環(huán)境下交通狀態(tài)的預(yù)測(cè)具有重要意義。針對(duì)傳統(tǒng)的基于實(shí)時(shí)數(shù)據(jù)的交通控制與誘導(dǎo)對(duì)交通狀態(tài)缺乏預(yù)見(jiàn)性,且有明顯的滯后性的問(wèn)題,本文從移動(dòng)群智感知環(huán)境下獲取的車速數(shù)據(jù)出發(fā),以支持向量回歸算法（SVR）為基礎(chǔ),引入周期性算子,并采用布谷鳥(niǎo)算法（CSA）確定周期性SVR（SSVR）中的主要參數(shù),提出了 CSA-SSVR,對(duì)道路未來(lái)車速進(jìn)行預(yù)測(cè),據(jù)此判斷道路的未來(lái)交通狀態(tài)。實(shí)驗(yàn)表明,CSA-SSVR在移動(dòng)群智感知環(huán)境下對(duì)于... 

【文章來(lái)源】：長(zhǎng)沙理工大學(xué)湖南省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．?１移動(dòng)群智感知模型??將模型中的實(shí)體集合表示為Ｅ，模型中存在四個(gè)實(shí)體，ｅＡ即用戶（Ｕｓｅｒ）、社會(huì)活??

?碩士學(xué)位論文???開(kāi)始??數(shù)據(jù)預(yù)處理??／????＾???模型結(jié)構(gòu)選擇??否??參數(shù)估計(jì)??是???＾???導(dǎo)出預(yù)測(cè)模型??圖２．?２?ＡＲＩＭＡ模型預(yù)測(cè)流程圖??其中ｘ（Ｘ）表示ｆ時(shí)刻的交通參數(shù)，表示白噪聲，舛幻表示自回歸系數(shù)，若時(shí)間??序列符合該式，稱為服從ｐ階的自回歸模型，記為ＡＲ（ｐ）。??移動(dòng)平均模型如公式（２．２）所示。??ｘ（／）?＝?＾?０｛ｋ）ｘ｛ｔ?－?ｋ）?＋ｕ（ｔ）?（２．２）??ｋ＝＼??其中外幻表示移動(dòng)平均系數(shù)，若時(shí)間序列符合該式，稱為服從ｑ階的移動(dòng)平均模型，??記為ＭＡ（ｑ）。??自回歸移動(dòng)平均模型如公式（２．３）所示。??ｘ（／）＝以⑷耶－堯）＋辦⑷ｘ（卜走）切（／）?（２．３）??ｋ＝＼?ｋ＝＼??１４??

?碩士學(xué)位論文???修正??差值￡??：ｈ眷??輸入層?誤差??隱層??圖２．?３?ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??①初始化ｂｐ神經(jīng)網(wǎng)絡(luò)模型。根據(jù)輸入向量ｙ與輸出向量ｒ的維度，手工設(shè)定神經(jīng)??網(wǎng)絡(luò)的總層數(shù)，激勵(lì)函數(shù)，學(xué)習(xí)率７，輸入層、隱層、輸出層的神經(jīng)元個(gè)數(shù)《、／、Ｗ，??由系統(tǒng)隨機(jī)初始化輸入層到隱層的權(quán)重％，隱層到輸出層的權(quán)重％，，隱層各神經(jīng)元的??閾值向量３，輸出層各神經(jīng)元的閾值向量５。??②計(jì)算隱層輸出。使用隱層激勵(lì)函數(shù)／（＊）計(jì)算得到隱層輸出如??公式（２．５）所示。??ｆ?ｎ?＼??ｈｊ＝ｆ?Ｙ／°ｕｘｉ－ａｊ?（２．５）??Ｖ?／＝ｉ?ｙ??③計(jì)算輸出層。按照公式（２．６）計(jì)算得到輸出層輸出７?＝（只，乃，．．．，乂）７＂。??ｙｋ?＝Ｙ，Ｈｊ（°ｙ￣ｂｋ?（２．６）??７＝１??④計(jì)算預(yù)測(cè)誤差。根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出ｙ和期望輸出ｆ，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差??￡?＝?如公式（２．７）所示。??Ｅ?＝?Ｙ－Ｙ?（２．７）??１６??

【參考文獻(xiàn)】：
期刊論文
[1]Simpson改進(jìn)的灰色神經(jīng)網(wǎng)絡(luò)在汽車保有量中的預(yù)測(cè)[J]. 吳文青,夏杰.  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(09)
[2]布谷鳥(niǎo)搜索算法綜述[J]. 張曉鳳,王秀英.  計(jì)算機(jī)工程與應(yīng)用. 2018(18)
[3]基于PSO的BP神經(jīng)網(wǎng)絡(luò)-Markov船舶交通流量預(yù)測(cè)模型[J]. 范慶波,江福才,馬全黨,馬勇.  上海海事大學(xué)學(xué)報(bào). 2018(02)
[4]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)
[5]邊緣計(jì)算:萬(wàn)物互聯(lián)時(shí)代新型計(jì)算模型[J]. 施巍松,孫輝,曹杰,張權(quán),劉偉.  計(jì)算機(jī)研究與發(fā)展. 2017(05)
[6]群智感知激勵(lì)機(jī)制研究綜述[J]. 吳垚,曾菊儒,彭輝,陳紅,李翠平.  軟件學(xué)報(bào). 2016(08)
[7]基于布谷鳥(niǎo)搜索算法的SVR參數(shù)選擇[J]. 何思露,韓堅(jiān)華.  華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(06)
[8]基于K-均值聚類算法RBF神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)[J]. 管碩,高軍偉,張彬,劉新,冷子文.  青島大學(xué)學(xué)報(bào)(工程技術(shù)版). 2014(02)
[9]移動(dòng)群體感知技術(shù)研究[J]. 熊英,史殿習(xí),丁博,鄧璐.  計(jì)算機(jī)科學(xué). 2014(04)
[10]基于改進(jìn)的網(wǎng)格搜索SVR的話務(wù)預(yù)測(cè)模型[J]. 郭美麗,覃錫忠,賈振紅,陳麗.  計(jì)算機(jī)工程與科學(xué). 2014(04)

碩士論文
[1]多源異構(gòu)交通數(shù)據(jù)質(zhì)量控制關(guān)鍵技術(shù)研究[D]. 曹云舒.吉林大學(xué) 2015
[2]城市交通網(wǎng)絡(luò)擁堵產(chǎn)生及傳播的動(dòng)態(tài)模型研究[D]. 謝琛.上海交通大學(xué) 2007



本文編號(hào)：3280682