經(jīng)濟快速發(fā)展使得機動車保有量呈爆炸性增長,隨之而來的便是交通狀況的日益復雜以及交通問題的頻出。交通擁堵不僅會對社會經(jīng)濟產(chǎn)生一定影響同時也造成了環(huán)境污染,所以對于未來短時間段內的交通狀況的預測成為了研究熱點,也與人們的日常出行密不可分。本研究通過對短時交通流預測模型以及與其相關的優(yōu)化算法的了解,提出了自適應人工魚群算法BP循環(huán)神經(jīng)網(wǎng)絡（AAFSA-RNN）模型用以短時交通流預測,旨在提高神經(jīng)網(wǎng)絡訓練速度以及模型預測精度。提出的自適應人工魚群算法中,首先是對算法中的參數(shù)進行改進,人工魚視野的自適應設定——基于人工魚之間距離的平均值,步長的自適應設定——基于迭代次數(shù),由于擁擠度因子對算法影響小且確定難度高,選擇將其忽視。通過上述改動來最大程度地減少人工魚群算法中需要進行設定的參數(shù)。由于對擁擠度因子的忽視,需要對人工魚的行為進行相應的改變。通過對神經(jīng)網(wǎng)絡相關內容的學習以及研究中使用的實例交通流數(shù)據(jù)特性的了解,最終選定BP循環(huán)神經(jīng)網(wǎng)絡作為預測所使用的網(wǎng)絡模型。該模型通過對輸入信號的“上下文”內容的考慮,在人工語音識別、圖像識別等方面表現(xiàn)良好,在交通領域也有廣泛的應用。本研究針對交通流信息的連續(xù)性... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 選題背景與意義
        1.1.1 選題背景
        1.1.2 選題意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 交通流預測國內外研究現(xiàn)狀
        1.2.2 群智能優(yōu)化算法國內外研究現(xiàn)狀
    1.3 論文主要研究內容
    1.4 論文的組織結構
2 相關算法與模型理論基礎
    2.1 循環(huán)神經(jīng)網(wǎng)絡
        2.1.1 BP神經(jīng)網(wǎng)絡模型
        2.1.2 循環(huán)神經(jīng)網(wǎng)絡模型
    2.2 人工魚群算法
        2.2.1 群智能優(yōu)化算法
        2.2.2 人工魚結構模型
        2.2.3 人工魚基本行為
        2.2.4 人工魚群算法尋優(yōu)
    2.3 本章小結
3 交通流數(shù)據(jù)
    3.1 交通流數(shù)據(jù)來源
        3.1.1 數(shù)據(jù)來源
        3.1.2 數(shù)據(jù)讀取
    3.2 交通流數(shù)據(jù)特性
        3.2.1 不同采樣時間交通流量變化圖
        3.2.2 交通流的隨機性
        3.2.3 交通流的周期相似性
        3.2.4 交通流的不確定性
    3.3 本章小結
4 自適應人工魚群算法BP循環(huán)神經(jīng)網(wǎng)絡
    4.1 自適應人工魚群算法參數(shù)
        4.1.1 視野Visual
        4.1.2 步長Step
        4.1.3 人工魚總數(shù)N
        4.1.4 嘗試次數(shù)Try-number
        4.1.5 擁擠度因子δ
    4.2 自適應人工魚群算法的人工魚行為
        4.2.1 覓食行為
        4.2.2 追尾行為
        4.2.3 聚群行為
    4.3 自適應人工魚群算法流程
    4.4 BP循環(huán)神經(jīng)網(wǎng)絡
        4.4.1 BP循環(huán)神經(jīng)網(wǎng)絡結構設計思路
        4.4.2 BP循環(huán)神經(jīng)網(wǎng)絡結構
    4.5 自適應人工魚群算法BP循環(huán)神經(jīng)網(wǎng)絡
        4.5.1 自適應人工魚群算法與BP循環(huán)神經(jīng)網(wǎng)絡結合的必要性
        4.5.2 自適應人工魚群算法結合BP循環(huán)神經(jīng)網(wǎng)絡
    4.6 本章小結
5 自適應人工魚群算法BP循環(huán)神經(jīng)網(wǎng)絡實現(xiàn)與實例驗證
    5.1 數(shù)據(jù)預處理
        5.1.1 數(shù)據(jù)整理
        5.1.2 數(shù)據(jù)的歸一化與反歸一化
    5.2 模型實現(xiàn)
    5.3 模型訓練結果以及預測精度評價
        5.3.1 模型訓練結果與預測精度
        5.3.2 模型預測結果比較分析
    5.4 本章小結
6 結論與展望
    6.1 研究主要完成內容
    6.2 不足與展望
參考文獻
作者簡歷及攻讀碩士學位期間取得的研究成果
學位論文數(shù)據(jù)集



本文編號：3186570