本文關(guān)鍵詞：基于螢火蟲(chóng)算法和RBF神經(jīng)網(wǎng)絡(luò)的高速公路交通流預(yù)測(cè)，，由筆耕文化傳播整理發(fā)布。

【摘要】：通過(guò)對(duì)高速公路交通狀態(tài)的整體變化趨勢(shì)進(jìn)行有效的掌控,可以有效的緩解高速公路的擁堵以及防止交通事故的發(fā)生。高速公路車流量預(yù)測(cè)是其中關(guān)鍵性的問(wèn)題,而車流量具有復(fù)雜性、非線性等特點(diǎn),使得傳統(tǒng)的預(yù)測(cè)模型無(wú)法準(zhǔn)確地預(yù)測(cè)車流量的變化趨勢(shì)。徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)作為一種具有代表性的神經(jīng)網(wǎng)絡(luò)模型,它具有學(xué)習(xí)速度快、收斂性強(qiáng)、自學(xué)習(xí)、自適應(yīng)等優(yōu)點(diǎn),并且不會(huì)出現(xiàn)局部極小值問(wèn)題,它是對(duì)非線性函數(shù)的最佳逼近。所以對(duì)于RBF神經(jīng)網(wǎng)絡(luò)的研究成為了車流量預(yù)測(cè)模型中的熱點(diǎn)問(wèn)題,但是RBF神經(jīng)網(wǎng)絡(luò)中隱層神經(jīng)元的參數(shù)確定是其難點(diǎn)。而智能群算法可以有效的解決該問(wèn)題,因此,本文提出了利用螢火蟲(chóng)算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò),確定隱層神經(jīng)元的中心、寬度以及隱層神經(jīng)元到輸出層神經(jīng)元之間的權(quán)值。本文首先分析了BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)的原理以及結(jié)構(gòu)特點(diǎn),并對(duì)比兩種神經(jīng)網(wǎng)絡(luò)模型,結(jié)果表明RBF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單、收斂性能好等特點(diǎn)。其次分別分析了常用的兩種智能群優(yōu)化算法,即遺傳算法、粒子群算法,分析了兩者的實(shí)現(xiàn)原理以及優(yōu)缺點(diǎn)。接著對(duì)螢火蟲(chóng)算法的原理以及在RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)行了詳細(xì)的分析和說(shuō)明,并提出了基于改進(jìn)的螢火蟲(chóng)算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。最后設(shè)計(jì)了基于遺傳算法、粒子群算法、螢火蟲(chóng)算法優(yōu)化的三種神經(jīng)網(wǎng)絡(luò)模型,并利用真實(shí)的高速公路車流量數(shù)據(jù)對(duì)三種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,并利用訓(xùn)練好的三種模型對(duì)高速公路上的車流量進(jìn)行預(yù)測(cè),從預(yù)測(cè)準(zhǔn)確度、訓(xùn)練效率以及泛化能力三個(gè)方面對(duì)仿真結(jié)果做了分析。結(jié)果表明基于改進(jìn)的螢火蟲(chóng)算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有更高的預(yù)測(cè)準(zhǔn)確度,更快的訓(xùn)練速度,以及更好的泛化能力。
【關(guān)鍵詞】：RBF神經(jīng)網(wǎng)絡(luò) 高速公路車流量預(yù)測(cè) 螢火蟲(chóng)算法 粒子群算法
【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U491.14;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-18
• 1.1 研究意義9-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-15
• 1.2.1 國(guó)外研究現(xiàn)狀11-13
• 1.2.2 國(guó)內(nèi)研究現(xiàn)狀13-14
• 1.2.3 研究述評(píng)14-15
• 1.3 主要的預(yù)測(cè)方法15-16
• 1.4 論文的主要工作16-17
• 1.5 論文的結(jié)構(gòu)安排17-18
• 第二章 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的基本原理18-25
• 2.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展18-19
• 2.2 人工神經(jīng)網(wǎng)絡(luò)的基本原理及特點(diǎn)19-21
• 2.3 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和特點(diǎn)21-23
• 2.4 RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)對(duì)比23-24
• 2.5 本章小結(jié)24-25
• 第三章 智能群優(yōu)化算法25-44
• 3.0 RBF神經(jīng)網(wǎng)絡(luò)隱層參數(shù)的確定25-27
• 3.1 遺傳算法27-33
• 3.1.1 遺傳算法的原理27-30
• 3.1.2 遺傳算法在RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用30-32
• 3.1.3 遺傳算法的優(yōu)缺點(diǎn)分析32-33
• 3.2 粒子群算法33-37
• 3.2.1 粒子群算法的原理33-35
• 3.2.2 粒子群算法在RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用35-36
• 3.2.3 粒子群算法的優(yōu)缺點(diǎn)分析36-37
• 3.3 螢火蟲(chóng)算法37-43
• 3.3.1 螢火蟲(chóng)算法的原理37
• 3.3.2 螢火蟲(chóng)算法相關(guān)概念37-39
• 3.3.3 螢火蟲(chóng)算法在RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用39-41
• 3.3.4 螢火蟲(chóng)算法的改進(jìn)41-42
• 3.3.5 螢火蟲(chóng)算法的優(yōu)缺點(diǎn)分析42-43
• 3.4 本章小結(jié)43-44
• 第四章 實(shí)驗(yàn)與分析44-59
• 4.1 實(shí)驗(yàn)44-52
• 4.1.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理44-46
• 4.1.2 參數(shù)設(shè)置46
• 4.1.3 基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)46-48
• 4.1.4 基于粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)48-50
• 4.1.5 基于螢火蟲(chóng)算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)50-52
• 4.2 實(shí)驗(yàn)結(jié)果的分析52-58
• 4.3 本章小結(jié)58-59
• 第五章 總結(jié)與展望59-61
• 5.1 總結(jié)59-60
• 5.2 展望60-61
• 參考文獻(xiàn)61-66
• 攻讀碩士期間取得的成果66-67
• 致謝67

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前6條

1 宋子房;;公路短時(shí)車流量預(yù)測(cè)模型研究[J];科學(xué)決策;2014年04期

2 張凱;盧鄒穎;;短時(shí)車流量組合預(yù)測(cè)模型[J];南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年05期

3 蔣亞平;郭俊亮;;基于馬爾柯夫過(guò)程的交叉路口車流量預(yù)測(cè)模型研究[J];鄭州輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年06期

4 馮明發(fā);盧錦川;;粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)[J];計(jì)算機(jī)仿真;2010年12期

5 張玉梅;曲仕茹;溫凱歌;;基于混沌和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)[J];系統(tǒng)工程;2007年11期

6 趙清林,郭艷兵,梅強(qiáng),齊占慶;確定RBF神經(jīng)網(wǎng)絡(luò)中心點(diǎn)的方法綜述[J];廣東自動(dòng)化與信息工程;2002年02期

  本文關(guān)鍵詞：基于螢火蟲(chóng)算法和RBF神經(jīng)網(wǎng)絡(luò)的高速公路交通流預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：465588