本文關鍵詞：面向短時交通流量預測的神經(jīng)網(wǎng)絡算法研究

  更多相關文章： 短時交通流預測 BP神經(jīng)網(wǎng)絡 卷積神經(jīng)網(wǎng)絡 模糊C均值 田口試驗設計

【摘要】：智能交通系統(tǒng)通過對交通流進行控制和誘導來緩解交通擁堵,短時交通流預測在該系統(tǒng)中為交通流的控制和誘導提供有效的數(shù)據(jù)支持。人工神經(jīng)網(wǎng)絡具備良好的非線性映射和自學習能力,目前已被廣泛應用于短時交通流量預測,但現(xiàn)有算法的預測精度通常難以滿足智能交通系統(tǒng)的需求。本文主要研究BP神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡在短時交通流量預測方面的應用,致力于在提升預測精度的同時盡可能減少計算量,主要研究工作如下:1)提出基于模糊C均值聚類和BP神經(jīng)網(wǎng)絡組合模型的短時交通流量預測算法,該算法通過聚類算法對交通流量進行準確的模式劃分,為每種流量模式構(gòu)建相應的BP神經(jīng)網(wǎng)絡預測模型,并以所有預測模型預測值的加權(quán)和作為預測結(jié)果。實驗表明,上述算法對流量的模式劃分合理,預測精度高于傳統(tǒng)的BP神經(jīng)網(wǎng)絡預測算法和現(xiàn)有的組合模型預測算法,具備一定的實用價值。2)提出上述組合模型預測算法的改進算法,使用田口試驗設計法進行試驗設計,通過分析試驗結(jié)果,得到組合預測模型結(jié)構(gòu)參數(shù)的最佳取值,以此最佳參數(shù)取值來執(zhí)行上述基于組合模型的算法來進行短時交通流量預測。實驗表明,該改進算法的預測精度得到進一步提升,且參數(shù)優(yōu)化過程的計算量小,能夠從一定程度上解決使用遺傳算法優(yōu)化參數(shù)時計算量過大的問題。3)提出基于卷積神經(jīng)網(wǎng)絡的短時交通流量預測算法,將卷積神經(jīng)網(wǎng)絡應用于交通流量預測,綜合考慮預測路段及其上下游路段流量,使輸入數(shù)據(jù)擴展到二維以滿足卷積神經(jīng)網(wǎng)絡的輸入格式,并根據(jù)輸入數(shù)據(jù)的特點來設計卷積神經(jīng)網(wǎng)絡預測模型的結(jié)構(gòu)。實驗表明,該算法的預測精度高于基于單一預測模型的BP神經(jīng)網(wǎng)絡算法,在一定程度上好于現(xiàn)有的基于組合預測模型的算法。
【關鍵詞】：短時交通流預測 BP神經(jīng)網(wǎng)絡 卷積神經(jīng)網(wǎng)絡 模糊C均值 田口試驗設計
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U491.14;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-18
• 1.1 研究背景9-12
• 1.1.1 交通流預測9-10
• 1.1.2 人工神經(jīng)網(wǎng)絡10-12
• 1.2 研究目的與實際意義12
• 1.3 國內(nèi)外研究現(xiàn)狀12-16
• 1.3.1 短時交通流預測與神經(jīng)網(wǎng)絡12-14
• 1.3.2 深度學習與卷積神經(jīng)網(wǎng)絡14-16
• 1.4 論文研究內(nèi)容16-17
• 1.5 論文組織結(jié)構(gòu)17-18
• 第二章 相關工作18-38
• 2.1 BP神經(jīng)網(wǎng)絡18-24
• 2.1.1 人工神經(jīng)元18-20
• 2.1.2 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)20-22
• 2.1.3 BP算法推導過程22-24
• 2.2 卷積神經(jīng)網(wǎng)絡24-31
• 2.2.1 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)特點24-28
• 2.2.2 卷積神經(jīng)網(wǎng)絡訓練過程28-31
• 2.3 模糊C均值聚類31-33
• 2.4 田口試驗設計33-37
• 2.5 本章小結(jié)37-38
• 第三章 流量聚類與BP神經(jīng)網(wǎng)絡的組合預測38-53
• 3.1 問題分析38-41
• 3.1.1 CITFF算法簡介38-39
• 3.1.2 CITFF算法存在的問題39-40
• 3.1.3 CITFF算法改進思路40-41
• 3.2 流量聚類與BP神經(jīng)網(wǎng)絡的組合模型設計41-45
• 3.2.1 BP神經(jīng)網(wǎng)絡預測模型42-44
• 3.2.2 組合預測模型44-45
• 3.3 短時交通流量預測算法TFBCM設計45-49
• 3.4 實驗評估與分析49-52
• 3.4.1 實驗數(shù)據(jù)處理49-50
• 3.4.2 模式劃分50-51
• 3.4.3 預測效果對比51-52
• 3.5 本章小結(jié)52-53
• 第四章 預測模型的結(jié)構(gòu)參數(shù)優(yōu)化53-64
• 4.1 引言53-55
• 4.2 組合預測模型改進55-57
• 4.2.1 田口試驗設計法中的各項設定55-57
• 4.2.2 改進后的組合預測模型57
• 4.3 短時交通流量預測算法TFBCM2設計57-58
• 4.4 實驗評估與分析58-63
• 4.4.1 與TFBCM算法的對比59-60
• 4.4.2 與遺傳算法的對比60-63
• 4.5 本章小結(jié)63-64
• 第五章 基于卷積神經(jīng)網(wǎng)絡的短時交通流量預測64-78
• 5.1 引言64-66
• 5.2 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)設計66-70
• 5.2.1 輸入數(shù)據(jù)的結(jié)構(gòu)66-67
• 5.2.2 子采樣層節(jié)點的殘差計算67-69
• 5.2.3 卷積神經(jīng)網(wǎng)絡預測模型的結(jié)構(gòu)69-70
• 5.3 短時交通流量預測算法CNNTFF設計70-74
• 5.4 實驗評估與分析74-77
• 5.4.1 基于單一模型算法的預測效果74-76
• 5.4.2 各算法的綜合預測效果76-77
• 5.5 本章小結(jié)77-78
• 第六章 總結(jié)與展望78-80
• 6.1 總結(jié)78-79
• 6.2 展望79-80
• 參考文獻80-84
• 附錄1 攻讀碩士學位期間撰寫的論文84-85
• 附錄2 攻讀碩士學位期間申請的專利85-86
• 附錄3 攻讀碩士學位期間參加的科研項目86-87
• 致謝87

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 潘昱,張晶;基于城市路口相關性的交通流量預測[J];交通與計算機;2005年01期

2 劉世超;基于極大似然估計的路段交通流量預測[J];西南交通大學學報;2005年02期

3 劉長虹;陳志恒;黃虎;;城市短期交通流量預測方法的探討[J];現(xiàn)代交通技術;2006年01期

4 侯明善;蘭云;;基于自適應模糊神經(jīng)推理網(wǎng)絡的交通流量預測研究[J];機械科學與技術;2006年10期

5 胡丹;肖建;車暢;;提升小波支持向量機在交通流量預測中的應用[J];計算機應用研究;2007年08期

6 姚亞夫;劉侃;;基于遺傳神經(jīng)網(wǎng)絡的交通流量預測研究[J];公路與汽運;2007年06期

7 范魯明;賀國光;;改進非參數(shù)回歸在交通流量預測中的應用[J];重慶交通大學學報(自然科學版);2008年01期

8 叢新宇;虞慧群;范貴生;;基于組合模型的交通流量預測方法[J];華東理工大學學報(自然科學版);2011年03期

9 劉長虹;黃虎;陳力華;吳偉蔚;;基于隨機過程下的交通流量預測方法[J];上海工程技術大學學報;2006年02期

10 猶勇;;組合預測方法在城市交通流量預測中的運用[J];重慶工商大學學報(自然科學版);2007年02期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 龐清樂;;基于蟻群算法的交通流量預測[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

2 張勇;關偉;;基于多變量序列重構(gòu)的交通流量預測[A];2008第四屆中國智能交通年會論文集[C];2008年

3 劉強;朱敏;王小維;邱震宇;;灰色神經(jīng)模型在空中交通流量預測中的應用[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 劉智勇;徐今強;李水友;;城市交通流量的混沌時間序列預測[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

5 周申培;嚴新平;;信息融合技術在交通流量預測中的應用[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

6 于江波;陳后金;;基于分段學習的BP神經(jīng)網(wǎng)絡的交通流量預測[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

7 蔣海峰;魏學業(yè);張屹;;基于加權(quán)一階局域法的短時交通流量預測的研究[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 胡孟杰;基于流量預測的交通信號控制技術研究[D];浙江工業(yè)大學;2014年

2 慕偉;城市道路交通流預測與路徑選擇研究[D];浙江工業(yè)大學;2015年

3 林海濤;面向短時交通流量預測的神經(jīng)網(wǎng)絡算法研究[D];南京郵電大學;2016年

4 張仁初;寧波港船舶交通流量預測研究[D];大連海事大學;2008年

5 朱文姍;擬建高速公路交通流量預測系統(tǒng)的設計與實現(xiàn)[D];中國科學院大學（工程管理與信息技術學院）;2014年

6 李波;基于小波分析和遺傳神經(jīng)網(wǎng)絡的短時城市交通流量預測研究[D];北京交通大學;2012年

7 何偉;模糊神經(jīng)網(wǎng)絡在交通流量預測中的應用研究[D];蘭州交通大學;2012年

8 吳凱;基于神經(jīng)網(wǎng)絡的短時交通流量預測研究[D];南京郵電大學;2013年

9 范魯明;基于非參數(shù)回歸的短時交通流量預測[D];天津大學;2007年

10 吳杰;支持短時交通流量預測的概率圖模型構(gòu)建與推理[D];云南大學;2012年

，

本文編號：1126456