隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展、社會(huì)的快速進(jìn)步和人民生活水平的提高,私家車擁有量也在逐年上升。如今盡管各種交通方式使我們感受到快捷和便利,但是它也帶給我們一系列的難題,如交通擁堵、環(huán)境污染、交通事故等。為了解決這些問(wèn)題,智能交通系統(tǒng)逐漸發(fā)展起來(lái),短時(shí)交通流預(yù)測(cè)成為智能交通系統(tǒng)的重要研究課題。提起交通流量就離不開(kāi)道路占有率,道路占有率的高低反映了交通流量的大小。運(yùn)用一些有效的模型對(duì)各種交通流進(jìn)行預(yù)測(cè)在某種程度上可能會(huì)緩解交通壓力、減少環(huán)境污染、方便市民的出行。因此交通流預(yù)測(cè)的研究對(duì)于社會(huì)的各個(gè)方面都具有重要的意義。在某些交通流的預(yù)測(cè)中,由于支持向量機(jī)對(duì)這種情況具有較強(qiáng)的預(yù)測(cè)能力,因此通常在交通數(shù)據(jù)量較少的情況下采用支持向量機(jī)（SVM）。然而,隨著交通數(shù)據(jù)量的增加,預(yù)測(cè)性能將下降,因此僅使用SVM來(lái)預(yù)測(cè)交通流量將不可避免地對(duì)大量交通數(shù)據(jù)造成較大的誤差。為了克服支持向量機(jī)模型的缺點(diǎn),我們采用BP神經(jīng)網(wǎng)絡(luò)（BPNN）進(jìn)行短時(shí)交通流預(yù)測(cè),但是BP神經(jīng)網(wǎng)絡(luò)也存在其自身的不足。例如,盡管BP神經(jīng)網(wǎng)絡(luò)可以在大量數(shù)據(jù)上訓(xùn)練模型,但是它很容易陷入模型訓(xùn)練速度較慢的局部最優(yōu)狀態(tài)。本文提出了一種基于SVM和BP神經(jīng)網(wǎng)... 

【文章來(lái)源】：山西大學(xué)山西省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

008年5月10日19：40至21：40的道路空間占有率

基于道路占用率的SVM和BPNN混合預(yù)測(cè)算法研究12數(shù)據(jù)又顯示了大幅度的增長(zhǎng)，這種情況不排除偶然情況，因?yàn)檫@種增長(zhǎng)持續(xù)很短暫并不能代表常態(tài)。之后數(shù)據(jù)又持續(xù)了很長(zhǎng)時(shí)間的波動(dòng)，直到18：00，占有率開(kāi)始不斷衰減。圖2.2對(duì)異常數(shù)據(jù)預(yù)處理后的結(jié)果圖2.32008年1月1日站點(diǎn)1的道路空間占有率2.6本章小結(jié)本章介紹了實(shí)驗(yàn)數(shù)據(jù)的來(lái)源，并對(duì)道路占有率數(shù)據(jù)進(jìn)行分析和預(yù)處理。我們分析了交通流的本質(zhì)特性，畫(huà)出了某一天的實(shí)際交通流量的走勢(shì)圖，從圖中能夠清晰地看出交通流的特性，本章為后續(xù)的預(yù)測(cè)模型提供了數(shù)據(jù)支撐。

基于道路占用率的SVM和BPNN混合預(yù)測(cè)算法研究12數(shù)據(jù)又顯示了大幅度的增長(zhǎng)，這種情況不排除偶然情況，因?yàn)檫@種增長(zhǎng)持續(xù)很短暫并不能代表常態(tài)。之后數(shù)據(jù)又持續(xù)了很長(zhǎng)時(shí)間的波動(dòng)，直到18：00，占有率開(kāi)始不斷衰減。圖2.2對(duì)異常數(shù)據(jù)預(yù)處理后的結(jié)果圖2.32008年1月1日站點(diǎn)1的道路空間占有率2.6本章小結(jié)本章介紹了實(shí)驗(yàn)數(shù)據(jù)的來(lái)源，并對(duì)道路占有率數(shù)據(jù)進(jìn)行分析和預(yù)處理。我們分析了交通流的本質(zhì)特性，畫(huà)出了某一天的實(shí)際交通流量的走勢(shì)圖，從圖中能夠清晰地看出交通流的特性，本章為后續(xù)的預(yù)測(cè)模型提供了數(shù)據(jù)支撐。


本文編號(hào)：3486841