基于灰色理論與神經(jīng)網(wǎng)絡(luò)的交通量組合預(yù)測模型研究.pdf

1、交通量預(yù)測是公路交通規(guī)劃與設(shè)計(jì)的基礎(chǔ)，準(zhǔn)確地預(yù)測交通量未來年的發(fā)展趨勢，提高預(yù)測精度，是保證待建項(xiàng)目可行性分析的正確性和合理性的重要因素，可以大大減少規(guī)劃設(shè)計(jì)失誤所造成的損失與浪費(fèi)，顯著提高社會經(jīng)濟(jì)效益。論文首先分析了交通量歷史數(shù)據(jù)呈隨機(jī)性、非線性變化的特點(diǎn)而實(shí)際預(yù)測時(shí)可用數(shù)據(jù)樣本較少的問題，通過查閱相關(guān)文獻(xiàn)，學(xué)習(xí)解決樣本量較小、信息不充分情況下，隨機(jī)性、非線性預(yù)測問題的理論預(yù)測方法，分析已有成果所存在的不足和缺陷。系統(tǒng)學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)

2、的基本原理和灰色預(yù)測方法。研究處理隨機(jī)性、非線性預(yù)測問題的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法及其優(yōu)劣勢；分析貝葉斯正則化神經(jīng)網(wǎng)絡(luò)預(yù)測模型和小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型的優(yōu)勢和缺陷；分析GM(1,1)模型在處理小樣本、貧信息預(yù)測問題的不足，研究無偏GM(1,1)模型的原理及其預(yù)測優(yōu)勢。在借鑒現(xiàn)有交通量預(yù)測研究成果基礎(chǔ)上，充分利用貝葉斯正則化神經(jīng)網(wǎng)絡(luò)非線性逼近，良好的泛化能力和無偏GM(1,1)模型的少數(shù)據(jù)建模，弱化原始數(shù)據(jù)隨機(jī)性并增強(qiáng)規(guī)律性，消除了傳統(tǒng)GM(1

3、,1)模型預(yù)測所固有的偏差的優(yōu)點(diǎn)，發(fā)揮二者融合的優(yōu)勢，建立無偏GM(1,1)—貝葉斯正則化神經(jīng)網(wǎng)絡(luò)交通量組合預(yù)測模型；利用小波神經(jīng)網(wǎng)絡(luò)對非線性函數(shù)的逼近能力，以及對隱函數(shù)的抽取能力較強(qiáng)，網(wǎng)絡(luò)訓(xùn)練時(shí)收斂速度快，泛化性能好，預(yù)測精度高的優(yōu)勢和灰色累加技術(shù)能弱化原始數(shù)據(jù)的隨機(jī)性并增強(qiáng)規(guī)律性的特點(diǎn)，論文通過相關(guān)影響因素預(yù)測交通量問題，將灰色技術(shù)和小波神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，建立灰色小波神經(jīng)網(wǎng)絡(luò)融合的多因素交通量預(yù)測模型。并將所建立的兩個(gè)模型應(yīng)用于實(shí)際