基于混合智能計(jì)算的城市交通流預(yù)測(cè)研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩67頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、近些年來(lái),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(dǎo)系統(tǒng)已經(jīng)成為ITS研究的熱門(mén)核心課題。而實(shí)現(xiàn)交通流誘導(dǎo)系統(tǒng)的關(guān)鍵問(wèn)題是實(shí)時(shí)準(zhǔn)確的交通流量預(yù)測(cè),即如何有效地利用實(shí)時(shí)交通數(shù)據(jù)信息去滾動(dòng)預(yù)測(cè)未來(lái)幾分鐘內(nèi)的交通狀況。隨著時(shí)間跨度的縮短,交通流顯示出來(lái)的非線性、時(shí)變性、不確定性越來(lái)越強(qiáng),歷史平均模型、時(shí)間序列模型、卡爾曼濾波模型、非參數(shù)回歸模型、神經(jīng)網(wǎng)絡(luò)模型、組合預(yù)測(cè)模型等這些傳統(tǒng)預(yù)測(cè)模型的預(yù)測(cè)效果和預(yù)測(cè)精度不甚理想,需要提出新

2、的模型。 課題以城市道路網(wǎng)絡(luò)中典型的干線多路口路段為研究對(duì)象,深入研究了城市短時(shí)交通流的特點(diǎn),將智能計(jì)算領(lǐng)域中的兩種基本方法:人工神經(jīng)網(wǎng)絡(luò)和全局優(yōu)化算法相結(jié)合,建立混合智能計(jì)算的城市交通流預(yù)測(cè)模型。在深入研究神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)之上,建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型,針對(duì)其結(jié)構(gòu)特點(diǎn),應(yīng)用優(yōu)化算法對(duì)其進(jìn)行優(yōu)化,完成了基于混合智能計(jì)算的交通流預(yù)測(cè)。其中基于變異粒子群優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)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(chǔ)上,針

3、對(duì)典型干線多路口交通流量特性,采用動(dòng)態(tài)回歸神經(jīng)網(wǎng)絡(luò),建立了交通流預(yù)測(cè)模型。該模型的自聯(lián)結(jié)構(gòu)使其對(duì)歷史狀態(tài)的數(shù)據(jù)具有敏感性,內(nèi)部反饋網(wǎng)絡(luò)的加入增加了網(wǎng)絡(luò)本身處理動(dòng)態(tài)信息的能力,從而達(dá)到了動(dòng)態(tài)建模的目的,能夠更生動(dòng)、更直接地反映系統(tǒng)的動(dòng)態(tài)特性。同時(shí)引進(jìn)一種帶變異因子的改進(jìn)的粒子群優(yōu)化算法,對(duì)該模型的權(quán)值和承接層的初始值進(jìn)行優(yōu)化,使網(wǎng)絡(luò)結(jié)構(gòu)達(dá)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(duì)局部最優(yōu)值進(jìn)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(chǎn)生“早熟”的缺陷問(wèn)題。 利用濟(jì)南東西方向主干道-經(jīng)十路的實(shí)測(cè)數(shù)據(jù),進(jìn)行間隔為5min的短時(shí)交通流量預(yù)測(cè)。其中,取一多路口路段為研究對(duì)象,建立了該路段某時(shí)間段內(nèi)的流量、速度、占有率數(shù)據(jù)庫(kù)。通過(guò)Matlab軟件編程對(duì)建立的模型進(jìn)行仿真,并與多種前向型神經(jīng)網(wǎng)絡(luò)模型、反饋型神經(jīng)網(wǎng)絡(luò)模型、基于遺傳算法的混合神經(jīng)網(wǎng)絡(luò)模型以及基于傳統(tǒng)粒子群優(yōu)化的混合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果進(jìn)行了對(duì)比,結(jié)果表明,基于變異粒

5、子群優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,根據(jù)歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)的速度與精度高,算法簡(jiǎn)潔、收斂速度快,可作為實(shí)用的短時(shí)城市道路預(yù)測(cè)模型應(yīng)用于工程實(shí)踐。 課題的創(chuàng)新之處在于將反饋型神經(jīng)網(wǎng)絡(luò)與變異粒子群優(yōu)化算法相結(jié)合,建立混合智能計(jì)算的預(yù)測(cè)模型,該模型網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單,容易實(shí)現(xiàn),特別適合于城市短時(shí)交通流的預(yù)測(cè);較前饋神經(jīng)網(wǎng)絡(luò)具有更優(yōu)越的動(dòng)態(tài)特性,達(dá)到了動(dòng)態(tài)建模的目的;同時(shí)采用變異粒子群算法對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化,訓(xùn)練簡(jiǎn)潔,學(xué)習(xí)收斂速度快,較遺傳算

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論