發(fā)布時(shí)間：2020-06-19 03:59

【摘要】：隨著社會(huì)經(jīng)濟(jì)的發(fā)展,居民生活水平顯著提高,機(jī)動(dòng)車保有量逐年提升,交通需求和供給之間出現(xiàn)了不平衡關(guān)系,作為這種不平衡關(guān)系的結(jié)果就是交通擁堵。交通擁堵治理的關(guān)鍵是當(dāng)?shù)缆返脑诮煌顟B(tài)出現(xiàn)擁擠現(xiàn)象時(shí),能事先發(fā)出預(yù)警信號(hào),采取預(yù)防措施。所以預(yù)測交通擁堵狀況,已經(jīng)成為了社會(huì)上的一個(gè)焦點(diǎn)問題。環(huán)境因素作為影響交通擁堵的條件之一,對(duì)交通有著很大影響�，F(xiàn)階段對(duì)交通擁堵預(yù)測的研究中數(shù)據(jù)集均未將定量的環(huán)境因素納入。同時(shí)現(xiàn)階段研究中RBF神經(jīng)網(wǎng)絡(luò)已經(jīng)被應(yīng)用到了交通擁堵預(yù)測之中,并取得一定的效果。但是傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)中,使用K-Means算法確定隱層基函數(shù)中心,但K-Means算法過于依賴K值、不能自動(dòng)識(shí)別類簇中心和對(duì)噪聲數(shù)據(jù)敏感,如果將環(huán)境因素加入數(shù)據(jù)集后,該模型將不再適用。為了解決這些問題,本文嘗試以北京市交通路網(wǎng)數(shù)據(jù)和北京市氣象數(shù)據(jù)為基礎(chǔ)數(shù)據(jù),將文中設(shè)計(jì)的基于正態(tài)分布的KNN-DPC算法融入RBF神經(jīng)網(wǎng)絡(luò)中,提出了一種基于KNN-DPC的RBF神經(jīng)網(wǎng)絡(luò)模型。并通過該模型設(shè)計(jì)了交通擁堵預(yù)測系統(tǒng),該系統(tǒng)具有較高的有效性和準(zhǔn)確性。研究內(nèi)容包括:1.針對(duì)現(xiàn)階段研究中對(duì)交通擁堵預(yù)測未定量考慮環(huán)境因素的問題,本文通過查閱相關(guān)資料和文獻(xiàn),對(duì)交通擁堵相關(guān)的環(huán)境因素進(jìn)行了篩選,最后設(shè)計(jì)了一個(gè)納入環(huán)境因素的道路擁堵狀態(tài)預(yù)測數(shù)據(jù)集。2.針對(duì)KNN-DPC算法在選擇類簇中心時(shí),是通過決策圖人工選擇的,受人為主觀影響大,所以本文提出了一種基于正態(tài)分布的KNN-DPC算法,該算法能夠自主識(shí)別數(shù)據(jù)集中的類簇中心,為本文優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)提供基礎(chǔ)。3.針對(duì)傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)使用K-Means算法選擇類簇中心的問題,本文使用基于正態(tài)分布的KNN-DPC算法,作為RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)中心選擇的算法,再通過相關(guān)計(jì)算得到其余參數(shù)。優(yōu)化過后的神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度高、對(duì)噪聲數(shù)據(jù)具有很強(qiáng)的魯棒性。4.為了預(yù)測交通擁堵狀況,本文將設(shè)計(jì)一個(gè)基于KNN-DPC的RBF神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng),通過使用納入環(huán)境因素的數(shù)據(jù)集對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最后使用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測道路速度,并根據(jù)道路速度閥值判斷道路的擁堵狀態(tài)。最后為了驗(yàn)證了本文算法、模型、系統(tǒng)的可行性、準(zhǔn)確性及有效性,首先通過使用基于正態(tài)分布的KNN-DPC算法對(duì)UCI數(shù)據(jù)集進(jìn)行類簇中心選擇測試,結(jié)果表明該算法具有很強(qiáng)的可行性和準(zhǔn)確性。然后通過使用北京市歷史路網(wǎng)數(shù)據(jù)和氣象數(shù)據(jù),對(duì)基于KNN-DPC的RBF神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)進(jìn)行有效性和模型準(zhǔn)確性測試,結(jié)果證明本文系統(tǒng)可以準(zhǔn)確、自動(dòng)化、有效的完成路面擁堵狀況的預(yù)測,且具有較高的預(yù)測準(zhǔn)確度。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP183;U491.265
【圖文】：

第 1 章 緒 論據(jù)集設(shè)計(jì)，從環(huán)境因素入手，挑選合適的環(huán)境維度，對(duì)數(shù)據(jù)集進(jìn)行了符合交通擁堵預(yù)測的設(shè)計(jì)。其次對(duì)模型的確定方式進(jìn)行了介紹，描述了訓(xùn)練集選取的范圍，并簡述了模型驗(yàn)證過程，然后介紹了基于 KNN-DPC 的 RBF 神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)設(shè)計(jì)，主要從功能設(shè)計(jì)、框架、基本思路、模塊、類以及數(shù)據(jù)庫這幾個(gè)方面詳細(xì)的闡述了本文基于 KNN-DPC 的 RBF 神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)的設(shè)計(jì)思路。第 5 章：實(shí)驗(yàn)結(jié)果與分析。從硬件和軟件兩個(gè)方面對(duì)本文實(shí)驗(yàn)環(huán)境做了詳細(xì)介紹。然后對(duì)基于正態(tài)分布的 KNN-DPC 算法進(jìn)行實(shí)驗(yàn)和分析，先對(duì)實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行說明，然后通過實(shí)驗(yàn)證明基于正態(tài)分布的 KNN-DPC 算法的有效性和魯棒性。最后對(duì)基于 KNN-DPC 的 RBF 神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)進(jìn)行了測試和分析，先確定測試數(shù)據(jù)，然后對(duì)基于 KNN-DPC 的 RBF 神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)進(jìn)行實(shí)驗(yàn)，證明了本文系統(tǒng)的有效性和準(zhǔn)確性。最后結(jié)論部分，總結(jié)了本文的主要工作，并提出下一步研究的方向。

通常定義為空間中任一點(diǎn)x到某一中心c之間的歐式距離的單調(diào)函數(shù)，其作用往往是局部的，即當(dāng) x 遠(yuǎn)離中心 c 時(shí)函數(shù)取值很小。徑向基函數(shù)解決多變量插值問題的任務(wù)過程可以具體敘述成：假設(shè)輸入空間中有 N 個(gè)向量，每一個(gè)向量上放一個(gè)基函數(shù)，如圖 2-1 第一個(gè)圖中所示每個(gè)點(diǎn)就是一個(gè)向量，第二個(gè)圖中紅線代表的是基函數(shù)，每一個(gè)綠色虛線所對(duì)應(yīng)的是每個(gè)訓(xùn)練樣本對(duì)應(yīng)的基函數(shù)，其基函數(shù)中心就是每個(gè)向量的藍(lán)點(diǎn)，這些樣本點(diǎn)擬和的數(shù)據(jù)趨勢就是第三個(gè)圖中藍(lán)色線。假設(shè)有一個(gè)新的數(shù)據(jù)點(diǎn) x1，要計(jì)算它的映射關(guān)系所對(duì)應(yīng)的函數(shù)值。那從第三個(gè)圖中能看出，a 的函數(shù)值代表 f(x1),b 點(diǎn)代表左邊樣本點(diǎn)對(duì)應(yīng)的基函數(shù)函數(shù)值，c 點(diǎn)代表右邊樣本點(diǎn)對(duì)應(yīng)的函數(shù)值。從圖中可以發(fā)現(xiàn) a 的函數(shù)值等于 b 的函數(shù)值加上 c 的函數(shù)值，b 點(diǎn)的函數(shù)值大小由第一個(gè)向量的基函數(shù)值與一個(gè)較大權(quán)值相乘得到，c點(diǎn)的函數(shù)值由第二個(gè)向量的基函數(shù)值與一個(gè)較小的權(quán)值相乘得到。而其它向量的權(quán)值都為 0，這是因?yàn)?x1的位置位于第一個(gè)向量和第二個(gè)向量之間，遠(yuǎn)離其他向量�；瘮�(shù)中心離插入的值越近，對(duì)插入值的函數(shù)值作用效果越明顯，離插入值越遠(yuǎn)，作用效果越小，基函數(shù)的值越趨近于 0。所以對(duì)于任意新的插值x，可以用附近樣本點(diǎn)的基函數(shù)與權(quán)值相乘，再在 x 處線性相加得到。這樣就可以完美模擬真實(shí)的曲線了。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 譚娟;王勝春;;基于深度學(xué)習(xí)的交通擁堵預(yù)測模型研究[J];計(jì)算機(jī)應(yīng)用研究;2015年10期

2 謝秀華;李陶深;;一種基于改進(jìn)PSO的K-means優(yōu)化聚類算法[J];計(jì)算機(jī)技術(shù)與發(fā)展;2014年02期

3 馬駿;尉廣軍;;一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2013年02期

4 曾偉良;龔峻峰;何兆成;朱倩茹;陳曉翔;;降雨對(duì)城市道路交通行駛速度的影響分析[J];環(huán)境科學(xué)與技術(shù);2011年S2期

5 龐振;徐蔚鴻;;一種基于改進(jìn)k-means的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法[J];計(jì)算機(jī)工程與應(yīng)用;2012年11期

6 喬俊飛;韓紅桂;;RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)動(dòng)態(tài)優(yōu)化設(shè)計(jì)[J];自動(dòng)化學(xué)報(bào);2010年06期

7 沈小軍;陳峻;王晨;;基于LVQ神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測研究[J];交通運(yùn)輸工程與信息學(xué)報(bào);2009年03期

8 劉永;張立毅;;BP和RBF神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)及其性能比較[J];電子測量技術(shù);2007年04期

9 柴杰;江青茵;曹志凱;;RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力及其算法[J];模式識(shí)別與人工智能;2002年03期

10 林嘉宇,劉熒;RBF神經(jīng)網(wǎng)絡(luò)的梯度下降訓(xùn)練方法中的學(xué)習(xí)步長優(yōu)化[J];信號(hào)處理;2002年01期

本文編號(hào)：2720271