基于混合智能計算的城市交通流預測研究.pdf

1、近些年來，隨著智能交通系統(tǒng)(ITS)的蓬勃發(fā)展，智能交通控制與誘導系統(tǒng)已經成為ITS研究的熱門核心課題。而實現交通流誘導系統(tǒng)的關鍵問題是實時準確的交通流量預測，即如何有效地利用實時交通數據信息去滾動預測未來幾分鐘內的交通狀況。隨著時間跨度的縮短，交通流顯示出來的非線性、時變性、不確定性越來越強，歷史平均模型、時間序列模型、卡爾曼濾波模型、非參數回歸模型、神經網絡模型、組合預測模型等這些傳統(tǒng)預測模型的預測效果和預測精度不甚理想，需要提出新

2、的模型。 課題以城市道路網絡中典型的干線多路口路段為研究對象，深入研究了城市短時交通流的特點，將智能計算領域中的兩種基本方法:人工神經網絡和全局優(yōu)化算法相結合，建立混合智能計算的城市交通流預測模型。在深入研究神經網絡的基礎之上，建立神經網絡結構模型，針對其結構特點，應用優(yōu)化算法對其進行優(yōu)化，完成了基于混合智能計算的交通流預測。其中基于變異粒子群優(yōu)化的Elman神經網絡模型的仿真效果最好，該模型在分析常規(guī)粒子群優(yōu)化算法的基礎上，針

3、對典型干線多路口交通流量特性，采用動態(tài)回歸神經網絡，建立了交通流預測模型。該模型的自聯(lián)結構使其對歷史狀態(tài)的數據具有敏感性，內部反饋網絡的加入增加了網絡本身處理動態(tài)信息的能力，從而達到了動態(tài)建模的目的，能夠更生動、更直接地反映系統(tǒng)的動態(tài)特性。同時引進一種帶變異因子的改進的粒子群優(yōu)化算法，對該模型的權值和承接層的初始值進行優(yōu)化，使網絡結構達到最優(yōu)，該算法采用判斷最優(yōu)值為局部最優(yōu)值或全局最優(yōu)值，對局部最優(yōu)值進行變異，使其跳出局部收斂范圍，從而

4、解決了常規(guī)粒子群算法易陷入局部極小值，產生“早熟”的缺陷問題。 利用濟南東西方向主干道-經十路的實測數據，進行間隔為5min的短時交通流量預測。其中，取一多路口路段為研究對象，建立了該路段某時間段內的流量、速度、占有率數據庫。通過Matlab軟件編程對建立的模型進行仿真，并與多種前向型神經網絡模型、反饋型神經網絡模型、基于遺傳算法的混合神經網絡模型以及基于傳統(tǒng)粒子群優(yōu)化的混合神經網絡模型的預測效果進行了對比，結果表明，基于變異粒

5、子群優(yōu)化的Elman神經網絡預測模型，根據歷史數據進行學習的速度與精度高，算法簡潔、收斂速度快，可作為實用的短時城市道路預測模型應用于工程實踐。 課題的創(chuàng)新之處在于將反饋型神經網絡與變異粒子群優(yōu)化算法相結合，建立混合智能計算的預測模型，該模型網絡結構簡單，容易實現，特別適合于城市短時交通流的預測；較前饋神經網絡具有更優(yōu)越的動態(tài)特性，達到了動態(tài)建模的目的；同時采用變異粒子群算法對網絡結構進行優(yōu)化，訓練簡潔，學習收斂速度快，較遺傳算