【摘要】：隨著社會經(jīng)濟的發(fā)展,居民生活水平顯著提高,機動車保有量逐年提升,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,能事先發(fā)出預(yù)警信號,采取預(yù)防措施。所以預(yù)測交通擁堵狀況,已經(jīng)成為了社會上的一個焦點問題。環(huán)境因素作為影響交通擁堵的條件之一,對交通有著很大影響�，F(xiàn)階段對交通擁堵預(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、不能自動識別類簇中心和對噪聲數(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確性。研究內(nèi)容包括:1.針對現(xiàn)階段研究中對交通擁堵預(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,對交通擁堵相關(guān)的環(huán)境因素進行了篩選,最后設(shè)計了一個納入環(huán)境因素的道路擁堵狀態(tài)預(yù)測數(shù)據(jù)集。2.針對KNN-DPC算法在選擇類簇中心時,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、對噪聲數(shù)據(jù)具有很強的魯棒性。4.為了預(yù)測交通擁堵狀況,本文將設(shè)計一個基于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RBF神經(jīng)網(wǎng)絡(luò)進行訓(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)。最后為了驗證了本文算法、模型、系統(tǒng)的可行性、準確性及有效性,首先通過使用基于正態(tài)分布的KNN-DPC算法對UCI數(shù)據(jù)集進行類簇中心選擇測試,結(jié)果表明該算法具有很強的可行性和準確性。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),對基于KNN-DPC的RBF神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)進行有效性和模型準確性測試,結(jié)果證明本文系統(tǒng)可以準確、自動化、有效的完成路面擁堵狀況的預(yù)測,且具有較高的預(yù)測準確度。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP183;U491.265
【圖文】：

第 1 章 緒 論據(jù)集設(shè)計，從環(huán)境因素入手，挑選合適的環(huán)境維度，對數(shù)據(jù)集進行了符合交通擁堵預(yù)測的設(shè)計。其次對模型的確定方式進行了介紹，描述了訓(xùn)練集選取的范圍，并簡述了模型驗證過程，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，主要從功能設(shè)計、框架、基本思路、模塊、類以及數(shù)據(jù)庫這幾個方面詳細的闡述了本文基于 KNN-DPC 的 RBF 神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)的設(shè)計思路。第 5 章：實驗結(jié)果與分析。從硬件和軟件兩個方面對本文實驗環(huán)境做了詳細介紹。然后對基于正態(tài)分布的 KNN-DPC 算法進行實驗和分析，先對實驗數(shù)據(jù)集進行說明，然后通過實驗證明基于正態(tài)分布的 KNN-DPC 算法的有效性和魯棒性。最后對基于 KNN-DPC 的 RBF 神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)進行了測試和分析，先確定測試數(shù)據(jù)，然后對基于 KNN-DPC 的 RBF 神經(jīng)網(wǎng)絡(luò)交通擁堵預(yù)測系統(tǒng)進行實驗，證明了本文系統(tǒng)的有效性和準確性。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 遠離中心 c 時函數(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 個向量，每一個向量上放一個基函數(shù)，如圖 2-1 第一個圖中所示每個點就是一個向量，第二個圖中紅線代表的是基函數(shù)，每一個綠色虛線所對應(yīng)的是每個訓(xùn)練樣本對應(yīng)的基函數(shù)，其基函數(shù)中心就是每個向量的藍點，這些樣本點擬和的數(shù)據(jù)趨勢就是第三個圖中藍色線。假設(shè)有一個新的數(shù)據(jù)點 x1，要計算它的映射關(guān)系所對應(yīng)的函數(shù)值。那從第三個圖中能看出，a 的函數(shù)值代表 f(x1),b 點代表左邊樣本點對應(yīng)的基函數(shù)函數(shù)值，c 點代表右邊樣本點對應(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 點的函數(shù)值大小由第一個向量的基函數(shù)值與一個較大權(quán)值相乘得到，c點的函數(shù)值由第二個向量的基函數(shù)值與一個較小的權(quán)值相乘得到。而其它向量的權(quán)值都為 0，這是因為 x1的位置位于第一個向量和第二個向量之間，遠離其他向量。基函數(shù)中心離插入的值越近，對插入值的函數(shù)值作用效果越明顯，離插入值越遠，作用效果越小，基函數(shù)的值越趨近于 0。所以對于任意新的插值x，可以用附近樣本點的基函數(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的曲線了。

【參考文獻】

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];計算機應(yīng)用研究;2015年10期

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

3 馬駿;尉廣軍;;一種改進的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J];計算機系統(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k-means的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法[J];計算機工程與應(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)動態(tài)優(yōu)化設(shè)計[J];自動化學(xué)報;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];交通運輸工程與信息學(xué)報;2009年03期

8 劉永;張立毅;;BP和RBF神經(jīng)網(wǎng)絡(luò)的實現(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];信號處理;2002年01期

本文編號：2720271