本文關(guān)鍵詞：基于改進粒子群優(yōu)化BP和RBF組合算法短時交通流預(yù)測

  更多相關(guān)文章： 短時交通流預(yù)測 組合預(yù)測 神經(jīng)網(wǎng)絡(luò) 粒子群算法

【摘要】：現(xiàn)代生活中交通問題成為人們生活中不能回避的問題。對于大多數(shù)人來說,交通條件的好壞直接影響著他們的生活質(zhì)量和幸福指數(shù)。在現(xiàn)代生活中,交通問題不僅困擾著生活在城市中的人們,甚至在一些城鎮(zhèn)和鄉(xiāng)村也出現(xiàn)了交通擁堵現(xiàn)象,交通系統(tǒng)正在面臨著越來越大的挑戰(zhàn),解決交通擁堵問題已經(jīng)迫在眉睫。智能交通作為改善交通的主要手段,在改善交通擁堵問題上起著至關(guān)重要的作用。道路交通的智能化和信息化是實現(xiàn)智能道路交通的重要環(huán)節(jié),能夠為實時、準(zhǔn)確的交通流預(yù)測提供實際有效的信息來源,保證道路暢通。不確定性、隨機性和時變性是交通流的三大特性,這些特性為交通流預(yù)測帶來了極大的困難,因此,如何建立實時準(zhǔn)確的短時交通流預(yù)測模型成為當(dāng)前智能交通領(lǐng)域研究的熱點和難點。本文以貴陽市某路段采集的交通流數(shù)據(jù)為基礎(chǔ),將交通流數(shù)據(jù)進行篩選,去除晚上九點到次日上午六點的數(shù)據(jù),保證數(shù)據(jù)成為改善交通的有用數(shù)據(jù)。RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測中都有很廣泛的應(yīng)用。在交通流預(yù)測中,為了更好的改善交通流的預(yù)測精度,本文使用了組合預(yù)測模型。采用了兩種方法改進粒子群算法,通過改進粒子群算法優(yōu)秀的全局搜索能力改善BP神經(jīng)網(wǎng)絡(luò)的搜索范圍和RBF的收斂速度和精確度。將上述兩種改進預(yù)測算法結(jié)合起來,形成組合預(yù)測算法。實驗結(jié)果表明,基于改進粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測不僅具有較好的預(yù)測能力,而且能夠有效的應(yīng)用到短時交通流預(yù)測中。
【關(guān)鍵詞】：短時交通流預(yù)測 組合預(yù)測 神經(jīng)網(wǎng)絡(luò) 粒子群算法
【學(xué)位授予單位】：青島大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U491.14
【目錄】：

• 摘要2-3
• Abstract3-6
• 第一章 緒論6-18
• 1.1 課題背景及意義6-7
• 1.2 智能交通系統(tǒng)概述7-12
• 1.2.1 智能交通系統(tǒng)的發(fā)展8-11
• 1.2.2 短時交通流預(yù)測在智能交通系統(tǒng)中的作用11-12
• 1.3 短時交通流預(yù)測研究動態(tài)12-14
• 1.4 論文思路與研究內(nèi)容14-18
• 1.4.1 論文研究思路14-15
• 1.4.2 論文研究內(nèi)容15-18
• 第二章 人工神經(jīng)網(wǎng)絡(luò)理論18-28
• 2.1 神經(jīng)網(wǎng)絡(luò)的基本概念18-21
• 2.2 RBF神經(jīng)網(wǎng)絡(luò)21-22
• 2.2.1 RBF神經(jīng)網(wǎng)絡(luò)模型21
• 2.2.2 網(wǎng)絡(luò)輸入輸出21-22
• 2.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型22-26
• 2.4 本章小結(jié)26-28
• 第三章 改進PSO優(yōu)化BP和RBF算法28-38
• 3.1 粒子群算法基本原理28-30
• 3.2 改進粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)30-33
• 3.2.1 改進粒子群算法原理30-32
• 3.2.2 改進PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)32-33
• 3.3 改進粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)33-36
• 3.3.1 最近鄰聚類算法33-34
• 3.3.2 改進粒子群原理34-35
• 3.3.3 改進粒子群算法優(yōu)化RBF的算法描述如下35-36
• 3.4 本章小結(jié)36-38
• 第四章 基于改進PSO優(yōu)化BP和RBF組合算法短時交通流預(yù)測仿真實驗38-44
• 4.1 基于改進PSO優(yōu)化BP和RBF組合學(xué)習(xí)算法38
• 4.2 數(shù)據(jù)采集38-39
• 4.3 仿真結(jié)果39-42
• 4.4 本章小結(jié)42-44
• 結(jié)論與展望44-46
• 參考文獻46-50
• 攻讀學(xué)位期間的研究成果50-52
• 致謝52-54

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 偶昌寶,俞亞南;短時交通流預(yù)測的多層遞階方法[J];城市道橋與防洪;2004年05期

2 高麗梅;高鵬;陳俊波;;數(shù)據(jù)融合技術(shù)在短時交通流預(yù)測中的應(yīng)用[J];交通科技;2010年S1期

3 唐世星;;改進的支持向量機算法在短時交通流預(yù)測中的應(yīng)用[J];承德石油高等�？茖W(xué)校學(xué)報;2012年01期

4 王嬌;李軍;;最小最大概率回歸機在短時交通流預(yù)測中的應(yīng)用[J];公路交通科技;2014年02期

5 賀國光,李宇,馬壽峰;基于數(shù)學(xué)模型的短時交通流預(yù)測方法探討[J];系統(tǒng)工程理論與實踐;2000年12期

6 宗春光,宋靖雁,任江濤,胡堅明;基于相空間重構(gòu)的短時交通流預(yù)測研究[J];公路交通科技;2003年04期

7 楊世堅,賀國光;基于模糊C均值聚類和神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測方法[J];系統(tǒng)工程;2004年08期

8 王進;史其信;;短時交通流預(yù)測模型綜述[J];中國公共安全(學(xué)術(shù)卷);2005年01期

9 楊芳明;朱順應(yīng);;基于小波的短時交通流預(yù)測[J];重慶交通學(xué)院學(xué)報;2006年03期

10 鄧志龍;李全;陳茜;;基于灰色系統(tǒng)理論的短時交通流預(yù)測[J];公路交通技術(shù);2006年01期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 鄭德署;何世偉;許旺土;;分形理論在短時交通流預(yù)測中的應(yīng)用[A];2008第四屆中國智能交通年會論文集[C];2008年

2 唐麗娜;張衛(wèi)華;;短時交通流預(yù)測方法的比較研究[A];2007第三屆中國智能交通年會論文集[C];2007年

3 于建玲;商朋見;關(guān)積珍;;改進的相空間重構(gòu)方法在短時交通流預(yù)測中的應(yīng)用[A];2008第四屆中國智能交通年會論文集[C];2008年

4 楊錦偉;肖新平;郭金海;;基于灰關(guān)聯(lián)與少數(shù)據(jù)云推理的短時交通流預(yù)測[A];第25屆全國灰色系統(tǒng)會議論文集[C];2014年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 姚智勝;基于實時數(shù)據(jù)的道路網(wǎng)短時交通流預(yù)測理論與方法研究[D];北京交通大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 高為;基于數(shù)據(jù)挖掘和數(shù)據(jù)融合的短時交通流預(yù)測研究[D];重慶交通大學(xué);2011年

2 齊霖;基于支持向量機回歸的短時交通流預(yù)測與系統(tǒng)實現(xiàn)[D];東北大學(xué);2013年

3 邱世崇;基于時空特性的城市道路短時交通流預(yù)測研究[D];重慶交通大學(xué);2015年

4 沈小峰;交通流量短時預(yù)測的算法研究[D];浙江工業(yè)大學(xué);2015年

5 江小燕;短時交通流預(yù)測方法研究[D];揚州大學(xué);2015年

6 楊慧慧;城市交通流短時預(yù)測模型研究[D];河南理工大學(xué);2015年

7 王鵬;基于嵌入式系統(tǒng)的城市智能交通控制器研究[D];遼寧科技大學(xué);2016年

8 羅婷;模擬退火混沌粒子群算法在短時交通流預(yù)測中的應(yīng)用[D];西南交通大學(xué);2016年

9 黃曉慧;基于布谷鳥算法的小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測研究[D];西南交通大學(xué);2016年

10 褚鵬宇;融合時空信息的短時交通流預(yù)測[D];西南交通大學(xué);2016年

，

本文編號：560601