面向短時交通流量預(yù)測的神經(jīng)網(wǎng)絡(luò)算法研究.pdf

1、智能交通系統(tǒng)通過對交通流進(jìn)行控制和誘導(dǎo)來緩解交通擁堵，短時交通流預(yù)測在該系統(tǒng)中為交通流的控制和誘導(dǎo)提供有效的數(shù)據(jù)支持。人工神經(jīng)網(wǎng)絡(luò)具備良好的非線性映射和自學(xué)習(xí)能力，目前已被廣泛應(yīng)用于短時交通流量預(yù)測，但現(xiàn)有算法的預(yù)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(luò)和卷積神經(jīng)網(wǎng)絡(luò)在短時交通流量預(yù)測方面的應(yīng)用，致力于在提升預(yù)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(luò)組合模

2、型的短時交通流量預(yù)測算法，該算法通過聚類算法對交通流量進(jìn)行準(zhǔn)確的模式劃分，為每種流量模式構(gòu)建相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并以所有預(yù)測模型預(yù)測值的加權(quán)和作為預(yù)測結(jié)果。實驗表明，上述算法對流量的模式劃分合理，預(yù)測精度高于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法和現(xiàn)有的組合模型預(yù)測算法，具備一定的實用價值。
　　2）提出上述組合模型預(yù)測算法的改進(jìn)算法，使用田口試驗設(shè)計法進(jìn)行試驗設(shè)計，通過分析試驗結(jié)果，得到組合預(yù)測模型結(jié)構(gòu)參數(shù)的最佳取值，以此最佳參數(shù)取

3、值來執(zhí)行上述基于組合模型的算法來進(jìn)行短時交通流量預(yù)測。實驗表明，該改進(jìn)算法的預(yù)測精度得到進(jìn)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(luò)的短時交通流量預(yù)測算法，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于交通流量預(yù)測，綜合考慮預(yù)測路段及其上下游路段流量，使輸入數(shù)據(jù)擴(kuò)展到二維以滿足卷積神經(jīng)網(wǎng)絡(luò)的輸入格式，并根據(jù)輸入數(shù)據(jù)的特點來設(shè)計卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型的結(jié)構(gòu)。實驗表明，該算法的預(yù)