本文關(guān)鍵詞：基于布谷鳥算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測研究

  更多相關(guān)文章： 短時(shí)交通流預(yù)測 小波神經(jīng)網(wǎng)絡(luò) 集成學(xué)習(xí) 布谷鳥搜索算法

【摘要】：交通流預(yù)測是智能交通系統(tǒng)的熱點(diǎn)。近些年來,各個(gè)領(lǐng)域的研究者們提出了很多交通流預(yù)測的方法,其中,智能學(xué)習(xí)方法最為活躍。但交通系統(tǒng)自身的復(fù)雜性和高度非線性,使得至今沒有一種算法可以實(shí)現(xiàn)短時(shí)交通流的精確預(yù)測,關(guān)于短時(shí)交通流預(yù)測的研究也從未停下腳步。本文首先對來源于美國明尼蘇達(dá)德盧斯大學(xué)交通數(shù)據(jù)研究實(shí)驗(yàn)室的交通流數(shù)據(jù)進(jìn)行識(shí)別,完成數(shù)據(jù)的補(bǔ)缺、修正和降噪處理,并從交通流數(shù)據(jù)的混沌性角度出發(fā),對數(shù)據(jù)進(jìn)行了相空間重構(gòu),以挖掘更多的隱藏信息。為了加快程序的收斂,還對數(shù)據(jù)進(jìn)行了歸一化處理。在分析了各模型的優(yōu)缺點(diǎn)之后,建立了基于小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network, WNN)的短時(shí)交通流預(yù)測模型,并進(jìn)行了仿真實(shí)驗(yàn)。結(jié)果表明,基于WNN的短時(shí)交通流預(yù)測具有很好的效果,但精度和穩(wěn)定性還有待進(jìn)一步提高。其次,針對單個(gè)小波神經(jīng)網(wǎng)絡(luò)存在的誤差隨機(jī)性,受集成學(xué)習(xí)思想的啟發(fā),本文提出了基于Bagging-WNN的短時(shí)交通流預(yù)測模型,利用單個(gè)模型之間的差異性,來提高整個(gè)系統(tǒng)的泛化能力。仿真實(shí)驗(yàn)表明,基于Bagging-WNN模型的短時(shí)交通流預(yù)測結(jié)果比WNN模型的預(yù)測結(jié)果精度更高。然后,針對基于梯度下降算法的小波神經(jīng)網(wǎng)絡(luò)對初始值敏感的缺點(diǎn),引入了一種新的智能學(xué)習(xí)算法——布谷鳥搜索(Cuckoo Search, CS)算法來對小波神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行前期優(yōu)化,建立了基于CS-Bagging-WNN的短時(shí)交通流預(yù)測模型,并與基于GA-Bagging-WNN和基于PSO-Bagging-WNN的模型進(jìn)行了對比實(shí)驗(yàn)。結(jié)果表明基于CS-Bagging-WNN模型的預(yù)測精度有了一定的提高。最后,為進(jìn)一步提高預(yù)測精度,提出一種鳥巢更新率自適應(yīng)調(diào)整的自適應(yīng)布谷鳥算法(Adaptive Cuckoo Search, ACS),將其與集成小波神經(jīng)網(wǎng)絡(luò)結(jié)合,構(gòu)成了基于自適應(yīng)布谷鳥算法的集成小波神經(jīng)網(wǎng)絡(luò)(ACS-Bagging-WNN)短時(shí)交通流預(yù)測模型。仿真實(shí)驗(yàn)表明,相比以上提出的各模型的預(yù)測效果,ACS-Bagging-WNN模型的精度更高,整體性能更好。
【關(guān)鍵詞】：短時(shí)交通流預(yù)測 小波神經(jīng)網(wǎng)絡(luò) 集成學(xué)習(xí) 布谷鳥搜索算法
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U491.14;TP183
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-16
• 1.1 研究背景及意義11-12
• 1.1.1 研究背景11
• 1.1.2 研究意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.2.1 短時(shí)交通流預(yù)測研究現(xiàn)狀12-14
• 1.2.2 神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀14
• 1.3 本文主要內(nèi)容及結(jié)構(gòu)安排14-16
• 第2章 交通流數(shù)據(jù)分析及預(yù)處理16-23
• 2.1 交通流基本特征參數(shù)16-17
• 2.2 實(shí)驗(yàn)數(shù)據(jù)來源17
• 2.3 交通流數(shù)據(jù)預(yù)處理17-22
• 2.3.1 異常數(shù)據(jù)修正17-18
• 2.3.2 數(shù)據(jù)降噪處理18-19
• 2.3.3 數(shù)據(jù)相空間重構(gòu)19-22
• 2.3.4 數(shù)據(jù)歸一化處理22
• 2.4 本章小結(jié)22-23
• 第3章 基于WNN的短時(shí)交通流預(yù)測23-33
• 3.1 小波神經(jīng)網(wǎng)絡(luò)相關(guān)理論23-27
• 3.1.1 BP神經(jīng)網(wǎng)絡(luò)23-25
• 3.1.2 小波神經(jīng)網(wǎng)絡(luò)25-27
• 3.2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測算法27-28
• 3.2.1 小波基函數(shù)的選擇27
• 3.2.2 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定27-28
• 3.2.3 小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)28
• 3.3 基于WNN的短時(shí)交通流預(yù)測仿真實(shí)驗(yàn)28-32
• 3.3.1 實(shí)驗(yàn)數(shù)據(jù)說明28-29
• 3.3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)29
• 3.3.3 基于WNN的短時(shí)交通流預(yù)測算法步驟29-30
• 3.3.4 實(shí)驗(yàn)結(jié)果及分析30-32
• 3.4 本章小結(jié)32-33
• 第4章 基于Bagging-WNN的短時(shí)交通流預(yù)測33-44
• 4.1 集成學(xué)習(xí)理論33-36
• 4.1.1 學(xué)習(xí)器生成方式33-34
• 4.1.2 學(xué)習(xí)器組合方法34
• 4.1.3 集成學(xué)習(xí)算法34-36
• 4.2 集成小波神經(jīng)網(wǎng)絡(luò)預(yù)測算法36-38
• 4.2.1 集成學(xué)習(xí)算法的選擇36
• 4.2.2 學(xué)習(xí)器個(gè)數(shù)的選擇36-37
• 4.2.3 訓(xùn)練集的產(chǎn)生37
• 4.2.4 學(xué)習(xí)器輸出結(jié)果的組合方式37-38
• 4.3 基于Bagging-WNN的短時(shí)交通流預(yù)測仿真實(shí)驗(yàn)38-43
• 4.3.1 基于Bagging-WNN的短時(shí)交通流預(yù)測算法步驟38-39
• 4.3.2 實(shí)驗(yàn)結(jié)果及分析39-43
• 4.4 本章總結(jié)43-44
• 第5章 基于ACS-Bagging-WNN的短時(shí)交通流預(yù)測44-62
• 5.1 布谷鳥算法44-46
• 5.1.1 布谷鳥算法原理44-45
• 5.1.2 布谷鳥算法流程45-46
• 5.2 基于布谷鳥算法的集成小波神經(jīng)網(wǎng)絡(luò)預(yù)測算法46-47
• 5.2.1 布谷鳥算法相關(guān)參數(shù)的選擇46
• 5.2.2 路徑和位置更新方式46-47
• 5.3 基于CS-Bagging-WNN的短時(shí)交通流預(yù)測仿真實(shí)驗(yàn)47-52
• 5.3.1 基于CS-Bagging-WNN的短時(shí)交通流預(yù)測算法步驟47-49
• 5.3.2 實(shí)驗(yàn)結(jié)果及分析49-52
• 5.4 幾種智能學(xué)習(xí)算法在短時(shí)交通流預(yù)測性能上的比較分析52-57
• 5.4.1 基于GA-Bagging-WNN的短時(shí)交通流預(yù)測仿真實(shí)驗(yàn)52-54
• 5.4.2 基于PSO-Bagging-WNN的短時(shí)交通流預(yù)測仿真實(shí)驗(yàn)54-56
• 5.4.3 不同模型的對比分析56-57
• 5.5 基于ACS-Bagging-WNN的短時(shí)交通流預(yù)測仿真實(shí)驗(yàn)57-61
• 5.5.1 自適應(yīng)更新率布谷鳥算法57-59
• 5.5.2 基于ACS-Bagging-WNN的短時(shí)交通流預(yù)測仿真實(shí)驗(yàn)59-61
• 5.6 本章小結(jié)61-62
• 結(jié)論62-63
• 致謝63-64
• 參考文獻(xiàn)64-69
• 攻讀碩士學(xué)位期間發(fā)表的論文69

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 偶昌寶,俞亞南;短時(shí)交通流預(yù)測的多層遞階方法[J];城市道橋與防洪;2004年05期

2 高麗梅;高鵬;陳俊波;;數(shù)據(jù)融合技術(shù)在短時(shí)交通流預(yù)測中的應(yīng)用[J];交通科技;2010年S1期

3 唐世星;;改進(jìn)的支持向量機(jī)算法在短時(shí)交通流預(yù)測中的應(yīng)用[J];承德石油高等專科學(xué)校學(xué)報(bào);2012年01期

4 王嬌;李軍;;最小最大概率回歸機(jī)在短時(shí)交通流預(yù)測中的應(yīng)用[J];公路交通科技;2014年02期

5 賀國光,李宇,馬壽峰;基于數(shù)學(xué)模型的短時(shí)交通流預(yù)測方法探討[J];系統(tǒng)工程理論與實(shí)踐;2000年12期

6 宗春光,宋靖雁,任江濤,胡堅(jiān)明;基于相空間重構(gòu)的短時(shí)交通流預(yù)測研究[J];公路交通科技;2003年04期

7 楊世堅(jiān),賀國光;基于模糊C均值聚類和神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測方法[J];系統(tǒng)工程;2004年08期

8 王進(jìn);史其信;;短時(shí)交通流預(yù)測模型綜述[J];中國公共安全(學(xué)術(shù)卷);2005年01期

9 楊芳明;朱順應(yīng);;基于小波的短時(shí)交通流預(yù)測[J];重慶交通學(xué)院學(xué)報(bào);2006年03期

10 鄧志龍;李全;陳茜;;基于灰色系統(tǒng)理論的短時(shí)交通流預(yù)測[J];公路交通技術(shù);2006年01期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前4條

1 鄭德署;何世偉;許旺土;;分形理論在短時(shí)交通流預(yù)測中的應(yīng)用[A];2008第四屆中國智能交通年會(huì)論文集[C];2008年

2 唐麗娜;張衛(wèi)華;;短時(shí)交通流預(yù)測方法的比較研究[A];2007第三屆中國智能交通年會(huì)論文集[C];2007年

3 于建玲;商朋見;關(guān)積珍;;改進(jìn)的相空間重構(gòu)方法在短時(shí)交通流預(yù)測中的應(yīng)用[A];2008第四屆中國智能交通年會(huì)論文集[C];2008年

4 楊錦偉;肖新平;郭金海;;基于灰關(guān)聯(lián)與少數(shù)據(jù)云推理的短時(shí)交通流預(yù)測[A];第25屆全國灰色系統(tǒng)會(huì)議論文集[C];2014年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 姚智勝;基于實(shí)時(shí)數(shù)據(jù)的道路網(wǎng)短時(shí)交通流預(yù)測理論與方法研究[D];北京交通大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 高為;基于數(shù)據(jù)挖掘和數(shù)據(jù)融合的短時(shí)交通流預(yù)測研究[D];重慶交通大學(xué);2011年

2 齊霖;基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測與系統(tǒng)實(shí)現(xiàn)[D];東北大學(xué);2013年

3 邱世崇;基于時(shí)空特性的城市道路短時(shí)交通流預(yù)測研究[D];重慶交通大學(xué);2015年

4 沈小峰;交通流量短時(shí)預(yù)測的算法研究[D];浙江工業(yè)大學(xué);2015年

5 江小燕;短時(shí)交通流預(yù)測方法研究[D];揚(yáng)州大學(xué);2015年

6 楊慧慧;城市交通流短時(shí)預(yù)測模型研究[D];河南理工大學(xué);2015年

7 王鵬;基于嵌入式系統(tǒng)的城市智能交通控制器研究[D];遼寧科技大學(xué);2016年

8 羅婷;模擬退火混沌粒子群算法在短時(shí)交通流預(yù)測中的應(yīng)用[D];西南交通大學(xué);2016年

9 黃曉慧;基于布谷鳥算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測研究[D];西南交通大學(xué);2016年

10 褚鵬宇;融合時(shí)空信息的短時(shí)交通流預(yù)測[D];西南交通大學(xué);2016年

，

本文編號(hào)：651503