本文關(guān)鍵詞：基于聚類(lèi)分析的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法研究

  更多相關(guān)文章： 短時(shí)交通流預(yù)測(cè) Kmeans SVM KNN BP神經(jīng)網(wǎng)絡(luò)

【摘要】：由于交通系統(tǒng)具有實(shí)時(shí)性、非線性和一定的復(fù)雜性,傳統(tǒng)的預(yù)測(cè)方法已經(jīng)不能滿足要求。人們出行活動(dòng)的增加也導(dǎo)致現(xiàn)代交通系統(tǒng)產(chǎn)生了大量的歷史數(shù)據(jù),所以如何從歷史數(shù)據(jù)中挖掘出交通流量的規(guī)律,對(duì)于提高預(yù)測(cè)精度就變得至關(guān)重要。本文在國(guó)內(nèi)外學(xué)者的研究基礎(chǔ)上,采用數(shù)據(jù)挖掘技術(shù),針對(duì)以往研究中不將不同日期的數(shù)據(jù)分開(kāi)處理導(dǎo)致預(yù)測(cè)精度低這一缺陷,提出了一種結(jié)合聚類(lèi)分析與BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法。本文的研究工作主要包括以下幾個(gè)方面:1.提出了一種與SVM結(jié)合的改進(jìn)的Kmeans聚類(lèi)算法。在聚類(lèi)方法的選擇上,采用經(jīng)典的聚類(lèi)算法-Kmeans算法。由于Kmeans算法在最佳聚類(lèi)數(shù)的選擇上不具有統(tǒng)一性,所以,本文提出一種結(jié)合SVM分類(lèi)算法的聚類(lèi)算法來(lái)判斷最佳的聚類(lèi)數(shù)k,并使用分類(lèi)準(zhǔn)確率和各類(lèi)距離之和來(lái)最終確定k。實(shí)驗(yàn)證明了采用與SVM結(jié)合的改進(jìn)的Kmeans聚類(lèi)算法能夠幫助Kmeans快速確定最佳聚類(lèi)數(shù)。2.提出了一種與KNN結(jié)合的改進(jìn)的Kmeans聚類(lèi)算法。為了驗(yàn)證分類(lèi)算法對(duì)改進(jìn)Kmeans算法具有普遍性,采用另一種分類(lèi)算法KNN與Kmeans結(jié)合來(lái)改進(jìn)Kmeans,并通過(guò)實(shí)驗(yàn)驗(yàn)證了KNN結(jié)合Kmeans算法來(lái)確定最佳聚類(lèi)數(shù)k的方法同樣有效。3.提出了一種結(jié)合聚類(lèi)分析與BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法。根據(jù)不同日期的流量模式不同的原理,首先采用聚類(lèi)算法將歷史數(shù)據(jù)進(jìn)行聚類(lèi)分析,并以聚類(lèi)的結(jié)果為依據(jù),對(duì)待預(yù)測(cè)日期的數(shù)據(jù)采用分類(lèi)算法預(yù)測(cè)其所在的類(lèi)別,找出該類(lèi)別有針對(duì)性地進(jìn)行短時(shí)交通流預(yù)測(cè)。由于BP神經(jīng)網(wǎng)絡(luò)能夠識(shí)別復(fù)雜的非線性系統(tǒng),因此采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行交通流預(yù)測(cè)。通過(guò)實(shí)驗(yàn)對(duì)比,結(jié)合聚類(lèi)分析的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法比未結(jié)合聚類(lèi)分析的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法準(zhǔn)確率高。最后,本文對(duì)整個(gè)研究進(jìn)行了總結(jié),并提出了后續(xù)研究的方向。
【關(guān)鍵詞】：短時(shí)交通流預(yù)測(cè) Kmeans SVM KNN BP神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：U491.14;TP183
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 引言8-16
• 1.1 研究背景和意義8-10
• 1.1.1 研究背景8-9
• 1.1.2 研究意義9-10
• 1.2 研究現(xiàn)狀10-13
• 1.3 論文的主要工作13-14
• 1.4 論文的組織結(jié)構(gòu)14-16
• 第2章 相關(guān)理論基礎(chǔ)16-37
• 2.1 聚類(lèi)算法17-21
• 2.1.1 聚類(lèi)算法概述17-19
• 2.1.2 Kmeans19-21
• 2.2 分類(lèi)算法21-27
• 2.2.1 分類(lèi)概述21-22
• 2.2.2 支持向量機(jī)22-25
• 2.2.3 K最近鄰25-27
• 2.3 交通流基本參數(shù)和特性27-32
• 2.3.1 交通流基本參數(shù)28-30
• 2.3.2 交通流的特性30-32
• 2.4 BP神經(jīng)網(wǎng)絡(luò)32-36
• 2.4.1 人工神經(jīng)網(wǎng)絡(luò)概述32
• 2.4.2 BP神經(jīng)網(wǎng)絡(luò)原理32-36
• 2.5 本章小結(jié)36-37
• 第3章 改進(jìn)的Kmeans聚類(lèi)算法37-50
• 3.1 方法流程37-41
• 3.2 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集41-44
• 3.3 SVM-Kmeans的實(shí)現(xiàn)44-45
• 3.4 KNN-Kmeans的實(shí)現(xiàn)45-47
• 3.5 基于改進(jìn)的Kmeans的聚類(lèi)分析47-49
• 3.6 本章小結(jié)49-50
• 第4章 結(jié)合聚類(lèi)分析與BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法50-64
• 4.1 方法框架50-52
• 4.2 BP神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)方法52-57
• 4.3 短時(shí)交通流預(yù)測(cè)的評(píng)價(jià)標(biāo)準(zhǔn)57
• 4.4 BP神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)57-62
• 4.5 結(jié)論62-63
• 4.6 本章小結(jié)63-64
• 第5章 結(jié)束語(yǔ)64-66
• 5.1 總結(jié)64
• 5.2 后續(xù)研究工作64-66
• 參考文獻(xiàn)66-71
• 致謝71-72
• 攻讀碩士學(xué)位期間從事的科研工作及取得的成果72-73

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 慕偉;陳國(guó)定;鐘引帆;;基于K-Means和GA-WNN的交通流量預(yù)測(cè)[J];現(xiàn)代交通技術(shù);2015年05期

2 陳婧敏;;基于KNN回歸的短時(shí)交通流預(yù)測(cè)[J];微型電腦應(yīng)用;2015年09期

3 伍育紅;;聚類(lèi)算法綜述[J];計(jì)算機(jī)科學(xué);2015年S1期

4 劉洋;馬壽峰;;基于聚類(lèi)分析的非參數(shù)回歸短時(shí)交通流預(yù)測(cè)方法[J];交通信息與安全;2013年02期

5 周濤;陸惠玲;;數(shù)據(jù)挖掘中聚類(lèi)算法研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2012年12期

6 丁世飛;齊丙娟;譚紅艷;;支持向量機(jī)理論與算法研究綜述[J];電子科技大學(xué)學(xué)報(bào);2011年01期

7 夏英;梁中軍;王國(guó)胤;;基于時(shí)空分析的短時(shí)交通流量預(yù)測(cè)模型[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年05期

8 孫吉貴;劉杰;趙連宇;;聚類(lèi)算法研究[J];軟件學(xué)報(bào);2008年01期

9 鄭勇濤,劉玉樹(shù);支持向量機(jī)解決多分類(lèi)問(wèn)題研究[J];計(jì)算機(jī)工程與應(yīng)用;2005年23期

10 王進(jìn),史其信;神經(jīng)網(wǎng)絡(luò)模型在短期交通流預(yù)測(cè)領(lǐng)域應(yīng)用綜述[J];河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年02期

  本文關(guān)鍵詞：基于聚類(lèi)分析的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法研究

  更多相關(guān)文章： 短時(shí)交通流預(yù)測(cè) Kmeans SVM KNN BP神經(jīng)網(wǎng)絡(luò)

，

本文編號(hào)：512443