發(fā)布時(shí)間：2021-05-15 00:00

　　經(jīng)濟(jì)快速發(fā)展使得機(jī)動(dòng)車(chē)保有量呈爆炸性增長(zhǎng),隨之而來(lái)的便是交通狀況的日益復(fù)雜以及交通問(wèn)題的頻出。交通擁堵不僅會(huì)對(duì)社會(huì)經(jīng)濟(jì)產(chǎn)生一定影響同時(shí)也造成了環(huán)境污染,所以對(duì)于未來(lái)短時(shí)間段內(nèi)的交通狀況的預(yù)測(cè)成為了研究熱點(diǎn),也與人們的日常出行密不可分。本研究通過(guò)對(duì)短時(shí)交通流預(yù)測(cè)模型以及與其相關(guān)的優(yōu)化算法的了解,提出了自適應(yīng)人工魚(yú)群算法BP循環(huán)神經(jīng)網(wǎng)絡(luò)（AAFSA-RNN）模型用以短時(shí)交通流預(yù)測(cè),旨在提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度以及模型預(yù)測(cè)精度。提出的自適應(yīng)人工魚(yú)群算法中,首先是對(duì)算法中的參數(shù)進(jìn)行改進(jìn),人工魚(yú)視野的自適應(yīng)設(shè)定——基于人工魚(yú)之間距離的平均值,步長(zhǎng)的自適應(yīng)設(shè)定——基于迭代次數(shù),由于擁擠度因子對(duì)算法影響小且確定難度高,選擇將其忽視。通過(guò)上述改動(dòng)來(lái)最大程度地減少人工魚(yú)群算法中需要進(jìn)行設(shè)定的參數(shù)。由于對(duì)擁擠度因子的忽視,需要對(duì)人工魚(yú)的行為進(jìn)行相應(yīng)的改變。通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)相關(guān)內(nèi)容的學(xué)習(xí)以及研究中使用的實(shí)例交通流數(shù)據(jù)特性的了解,最終選定BP循環(huán)神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)所使用的網(wǎng)絡(luò)模型。該模型通過(guò)對(duì)輸入信號(hào)的“上下文”內(nèi)容的考慮,在人工語(yǔ)音識(shí)別、圖像識(shí)別等方面表現(xiàn)良好,在交通領(lǐng)域也有廣泛的應(yīng)用。本研究針對(duì)交通流信息的連續(xù)性... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 選題背景與意義
        1.1.1 選題背景
        1.1.2 選題意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 交通流預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 群智能優(yōu)化算法國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 相關(guān)算法與模型理論基礎(chǔ)
    2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.1.1 BP神經(jīng)網(wǎng)絡(luò)模型
        2.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型
    2.2 人工魚(yú)群算法
        2.2.1 群智能優(yōu)化算法
        2.2.2 人工魚(yú)結(jié)構(gòu)模型
        2.2.3 人工魚(yú)基本行為
        2.2.4 人工魚(yú)群算法尋優(yōu)
    2.3 本章小結(jié)
3 交通流數(shù)據(jù)
    3.1 交通流數(shù)據(jù)來(lái)源
        3.1.1 數(shù)據(jù)來(lái)源
        3.1.2 數(shù)據(jù)讀取
    3.2 交通流數(shù)據(jù)特性
        3.2.1 不同采樣時(shí)間交通流量變化圖
        3.2.2 交通流的隨機(jī)性
        3.2.3 交通流的周期相似性
        3.2.4 交通流的不確定性
    3.3 本章小結(jié)
4 自適應(yīng)人工魚(yú)群算法BP循環(huán)神經(jīng)網(wǎng)絡(luò)
    4.1 自適應(yīng)人工魚(yú)群算法參數(shù)
        4.1.1 視野Visual
        4.1.2 步長(zhǎng)Step
        4.1.3 人工魚(yú)總數(shù)N
        4.1.4 嘗試次數(shù)Try-number
        4.1.5 擁擠度因子δ
    4.2 自適應(yīng)人工魚(yú)群算法的人工魚(yú)行為
        4.2.1 覓食行為
        4.2.2 追尾行為
        4.2.3 聚群行為
    4.3 自適應(yīng)人工魚(yú)群算法流程
    4.4 BP循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.4.1 BP循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)思路
        4.4.2 BP循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    4.5 自適應(yīng)人工魚(yú)群算法BP循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.5.1 自適應(yīng)人工魚(yú)群算法與BP循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合的必要性
        4.5.2 自適應(yīng)人工魚(yú)群算法結(jié)合BP循環(huán)神經(jīng)網(wǎng)絡(luò)
    4.6 本章小結(jié)
5 自適應(yīng)人工魚(yú)群算法BP循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)與實(shí)例驗(yàn)證
    5.1 數(shù)據(jù)預(yù)處理
        5.1.1 數(shù)據(jù)整理
        5.1.2 數(shù)據(jù)的歸一化與反歸一化
    5.2 模型實(shí)現(xiàn)
    5.3 模型訓(xùn)練結(jié)果以及預(yù)測(cè)精度評(píng)價(jià)
        5.3.1 模型訓(xùn)練結(jié)果與預(yù)測(cè)精度
        5.3.2 模型預(yù)測(cè)結(jié)果比較分析
    5.4 本章小結(jié)
6 結(jié)論與展望
    6.1 研究主要完成內(nèi)容
    6.2 不足與展望
參考文獻(xiàn)
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3186570