隨著我國城市化建設(shè)的擴(kuò)大,交通擁堵現(xiàn)象愈加頻繁,這極大的增加人們?cè)诼飞系某鲂袝r(shí)間。智能交通系統(tǒng)通過實(shí)時(shí)的路況反饋,可以有效地緩解交通擁堵狀況,其重要依據(jù)便是短時(shí)交通流預(yù)測,因此深入研究快速準(zhǔn)確的短時(shí)交通流預(yù)測具有重要的實(shí)際意義�？紤]到短時(shí)交通流數(shù)據(jù)的不確定性和非線性特性,很多模型的預(yù)測效果都不算優(yōu)良。小波神經(jīng)網(wǎng)絡(luò)(WNN)綜合小波變換和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),在時(shí)域頻域方面都具備良好的特性,混合蛙跳算法(SFLA)是一種新興的智能群體算法,它表現(xiàn)出良好的魯棒性和全局收斂性,可以較快地找到最優(yōu)解。為此,本文將混合蛙跳算法和小波神經(jīng)網(wǎng)絡(luò)結(jié)合,使用混合蛙跳算法優(yōu)化網(wǎng)絡(luò)的權(quán)值,然后用網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)短時(shí)交通流數(shù)據(jù)的預(yù)測,并用改進(jìn)的混合蛙跳算法提高預(yù)測的速度和準(zhǔn)確性,最后加入徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)進(jìn)一步改進(jìn)短時(shí)交通流信號(hào)的預(yù)測效果。本文主要工作為:(1)對(duì)獲取到的交通流數(shù)據(jù)集進(jìn)行異常數(shù)據(jù)修復(fù)、改進(jìn)的逐層適應(yīng)閾值和指數(shù)變化閾值函數(shù)的小波去噪、相空間重構(gòu)和歸一化處理等操作,接著將預(yù)處理后的數(shù)據(jù)集使用WNN模型進(jìn)行預(yù)測。實(shí)驗(yàn)結(jié)果表明,該模型可以較好地模擬短時(shí)交通流的趨勢(shì),但預(yù)測效果還有待提高。(2)將混合蛙跳...

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要內(nèi)容與結(jié)構(gòu)安排
第二章 交通流理論分析與預(yù)處理
    2.1 交通流理論
    2.2 短時(shí)交通流特性
    2.3 交通流數(shù)據(jù)集介紹
    2.4 數(shù)據(jù)預(yù)處理
        2.4.1 數(shù)據(jù)修復(fù)
        2.4.2 數(shù)據(jù)小波降噪
        2.4.3 數(shù)據(jù)相空間重構(gòu)
        2.4.4 數(shù)據(jù)歸一化
    2.5 本章小結(jié)
第三章 基于WNN的短時(shí)交通流預(yù)測
    3.1 神經(jīng)網(wǎng)絡(luò)相關(guān)理論
        3.1.1 人工神經(jīng)網(wǎng)絡(luò)
        3.1.2 小波神經(jīng)網(wǎng)絡(luò)
    3.2 小波神經(jīng)網(wǎng)絡(luò)
        3.2.1 預(yù)測模型構(gòu)建
        3.2.2 相關(guān)參數(shù)確定
        3.2.3 小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程
    3.3 基于WNN的短時(shí)交通流預(yù)測
        3.3.1 預(yù)測評(píng)價(jià)指標(biāo)
        3.3.2 實(shí)驗(yàn)數(shù)據(jù)說明
        3.3.3 基于WNN的短時(shí)交通流預(yù)測步驟
        3.3.4 仿真結(jié)果與分析
    3.4 本章小結(jié)
第四章 基于ISFLA-WNN的短時(shí)交通流預(yù)測
    4.1 混合蛙跳算法
        4.1.1 混合蛙跳算法原理
        4.1.2 混合蛙跳算法步驟
    4.2 基于SFLA-WNN的短時(shí)交通流預(yù)測
        4.2.1 SFLA算法參數(shù)設(shè)置
        4.2.2 基于SFLA-WNN的短時(shí)交通流預(yù)測步驟
        4.2.3 仿真結(jié)果與分析
        4.2.4 三種群體智能算法對(duì)比
    4.3 基于ISFLA-WNN的短時(shí)交通流預(yù)測
        4.3.1 ISFLA算法改進(jìn)
        4.3.2 基于ISFLA-WNN模型的短時(shí)交通流預(yù)測
    4.4 本章小結(jié)
第五章 基于ISFLA-WNN-RBF的短時(shí)交通流預(yù)測
    5.1 數(shù)據(jù)分解
    5.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
        5.2.1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        5.2.2 RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)策略
        5.2.3 ISFLA優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)
        5.2.4 RBF神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)
    5.3 基于ISFLA-WNN-RBF的短時(shí)交通流預(yù)測
        5.3.1 基本步驟及流程
        5.3.2 仿真結(jié)果與分析
    5.4 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果



本文編號(hào)：3900602