本文關(guān)鍵詞：面向短時(shí)交通流量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)算法研究

  更多相關(guān)文章： 短時(shí)交通流預(yù)測(cè) BP神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò) 模糊C均值 田口試驗(yàn)設(shè)計(jì)

【摘要】：智能交通系統(tǒng)通過(guò)對(duì)交通流進(jìn)行控制和誘導(dǎo)來(lái)緩解交通擁堵,短時(shí)交通流預(yù)測(cè)在該系統(tǒng)中為交通流的控制和誘導(dǎo)提供有效的數(shù)據(jù)支持。人工神經(jīng)網(wǎng)絡(luò)具備良好的非線性映射和自學(xué)習(xí)能力,目前已被廣泛應(yīng)用于短時(shí)交通流量預(yù)測(cè),但現(xiàn)有算法的預(yù)測(cè)精度通常難以滿足智能交通系統(tǒng)的需求。本文主要研究BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)在短時(shí)交通流量預(yù)測(cè)方面的應(yīng)用,致力于在提升預(yù)測(cè)精度的同時(shí)盡可能減少計(jì)算量,主要研究工作如下:1)提出基于模糊C均值聚類和BP神經(jīng)網(wǎng)絡(luò)組合模型的短時(shí)交通流量預(yù)測(cè)算法,該算法通過(guò)聚類算法對(duì)交通流量進(jìn)行準(zhǔn)確的模式劃分,為每種流量模式構(gòu)建相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,并以所有預(yù)測(cè)模型預(yù)測(cè)值的加權(quán)和作為預(yù)測(cè)結(jié)果。實(shí)驗(yàn)表明,上述算法對(duì)流量的模式劃分合理,預(yù)測(cè)精度高于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法和現(xiàn)有的組合模型預(yù)測(cè)算法,具備一定的實(shí)用價(jià)值。2)提出上述組合模型預(yù)測(cè)算法的改進(jìn)算法,使用田口試驗(yàn)設(shè)計(jì)法進(jìn)行試驗(yàn)設(shè)計(jì),通過(guò)分析試驗(yàn)結(jié)果,得到組合預(yù)測(cè)模型結(jié)構(gòu)參數(shù)的最佳取值,以此最佳參數(shù)取值來(lái)執(zhí)行上述基于組合模型的算法來(lái)進(jìn)行短時(shí)交通流量預(yù)測(cè)。實(shí)驗(yàn)表明,該改進(jìn)算法的預(yù)測(cè)精度得到進(jìn)一步提升,且參數(shù)優(yōu)化過(guò)程的計(jì)算量小,能夠從一定程度上解決使用遺傳算法優(yōu)化參數(shù)時(shí)計(jì)算量過(guò)大的問(wèn)題。3)提出基于卷積神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)算法,將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于交通流量預(yù)測(cè),綜合考慮預(yù)測(cè)路段及其上下游路段流量,使輸入數(shù)據(jù)擴(kuò)展到二維以滿足卷積神經(jīng)網(wǎng)絡(luò)的輸入格式,并根據(jù)輸入數(shù)據(jù)的特點(diǎn)來(lái)設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)。實(shí)驗(yàn)表明,該算法的預(yù)測(cè)精度高于基于單一預(yù)測(cè)模型的BP神經(jīng)網(wǎng)絡(luò)算法,在一定程度上好于現(xiàn)有的基于組合預(yù)測(cè)模型的算法。
【關(guān)鍵詞】：短時(shí)交通流預(yù)測(cè) BP神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò) 模糊C均值 田口試驗(yàn)設(shè)計(jì)
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U491.14;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-18
• 1.1 研究背景9-12
• 1.1.1 交通流預(yù)測(cè)9-10
• 1.1.2 人工神經(jīng)網(wǎng)絡(luò)10-12
• 1.2 研究目的與實(shí)際意義12
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀12-16
• 1.3.1 短時(shí)交通流預(yù)測(cè)與神經(jīng)網(wǎng)絡(luò)12-14
• 1.3.2 深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)14-16
• 1.4 論文研究?jī)?nèi)容16-17
• 1.5 論文組織結(jié)構(gòu)17-18
• 第二章 相關(guān)工作18-38
• 2.1 BP神經(jīng)網(wǎng)絡(luò)18-24
• 2.1.1 人工神經(jīng)元18-20
• 2.1.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)20-22
• 2.1.3 BP算法推導(dǎo)過(guò)程22-24
• 2.2 卷積神經(jīng)網(wǎng)絡(luò)24-31
• 2.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)24-28
• 2.2.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程28-31
• 2.3 模糊C均值聚類31-33
• 2.4 田口試驗(yàn)設(shè)計(jì)33-37
• 2.5 本章小結(jié)37-38
• 第三章 流量聚類與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)38-53
• 3.1 問(wèn)題分析38-41
• 3.1.1 CITFF算法簡(jiǎn)介38-39
• 3.1.2 CITFF算法存在的問(wèn)題39-40
• 3.1.3 CITFF算法改進(jìn)思路40-41
• 3.2 流量聚類與BP神經(jīng)網(wǎng)絡(luò)的組合模型設(shè)計(jì)41-45
• 3.2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型42-44
• 3.2.2 組合預(yù)測(cè)模型44-45
• 3.3 短時(shí)交通流量預(yù)測(cè)算法TFBCM設(shè)計(jì)45-49
• 3.4 實(shí)驗(yàn)評(píng)估與分析49-52
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)處理49-50
• 3.4.2 模式劃分50-51
• 3.4.3 預(yù)測(cè)效果對(duì)比51-52
• 3.5 本章小結(jié)52-53
• 第四章 預(yù)測(cè)模型的結(jié)構(gòu)參數(shù)優(yōu)化53-64
• 4.1 引言53-55
• 4.2 組合預(yù)測(cè)模型改進(jìn)55-57
• 4.2.1 田口試驗(yàn)設(shè)計(jì)法中的各項(xiàng)設(shè)定55-57
• 4.2.2 改進(jìn)后的組合預(yù)測(cè)模型57
• 4.3 短時(shí)交通流量預(yù)測(cè)算法TFBCM2設(shè)計(jì)57-58
• 4.4 實(shí)驗(yàn)評(píng)估與分析58-63
• 4.4.1 與TFBCM算法的對(duì)比59-60
• 4.4.2 與遺傳算法的對(duì)比60-63
• 4.5 本章小結(jié)63-64
• 第五章 基于卷積神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)64-78
• 5.1 引言64-66
• 5.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)66-70
• 5.2.1 輸入數(shù)據(jù)的結(jié)構(gòu)66-67
• 5.2.2 子采樣層節(jié)點(diǎn)的殘差計(jì)算67-69
• 5.2.3 卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)69-70
• 5.3 短時(shí)交通流量預(yù)測(cè)算法CNNTFF設(shè)計(jì)70-74
• 5.4 實(shí)驗(yàn)評(píng)估與分析74-77
• 5.4.1 基于單一模型算法的預(yù)測(cè)效果74-76
• 5.4.2 各算法的綜合預(yù)測(cè)效果76-77
• 5.5 本章小結(jié)77-78
• 第六章 總結(jié)與展望78-80
• 6.1 總結(jié)78-79
• 6.2 展望79-80
• 參考文獻(xiàn)80-84
• 附錄1 攻讀碩士學(xué)位期間撰寫的論文84-85
• 附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專利85-86
• 附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目86-87
• 致謝87

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 潘昱,張晶;基于城市路口相關(guān)性的交通流量預(yù)測(cè)[J];交通與計(jì)算機(jī);2005年01期

2 劉世超;基于極大似然估計(jì)的路段交通流量預(yù)測(cè)[J];西南交通大學(xué)學(xué)報(bào);2005年02期

3 劉長(zhǎng)虹;陳志恒;黃虎;;城市短期交通流量預(yù)測(cè)方法的探討[J];現(xiàn)代交通技術(shù);2006年01期

4 侯明善;蘭云;;基于自適應(yīng)模糊神經(jīng)推理網(wǎng)絡(luò)的交通流量預(yù)測(cè)研究[J];機(jī)械科學(xué)與技術(shù);2006年10期

5 胡丹;肖建;車暢;;提升小波支持向量機(jī)在交通流量預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用研究;2007年08期

6 姚亞夫;劉侃;;基于遺傳神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)研究[J];公路與汽運(yùn);2007年06期

7 范魯明;賀國(guó)光;;改進(jìn)非參數(shù)回歸在交通流量預(yù)測(cè)中的應(yīng)用[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年01期

8 叢新宇;虞慧群;范貴生;;基于組合模型的交通流量預(yù)測(cè)方法[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

9 劉長(zhǎng)虹;黃虎;陳力華;吳偉蔚;;基于隨機(jī)過(guò)程下的交通流量預(yù)測(cè)方法[J];上海工程技術(shù)大學(xué)學(xué)報(bào);2006年02期

10 猶勇;;組合預(yù)測(cè)方法在城市交通流量預(yù)測(cè)中的運(yùn)用[J];重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前7條

1 龐清樂(lè);;基于蟻群算法的交通流量預(yù)測(cè)[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第三分冊(cè)）[C];2009年

2 張勇;關(guān)偉;;基于多變量序列重構(gòu)的交通流量預(yù)測(cè)[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

3 劉強(qiáng);朱敏;王小維;邱震宇;;灰色神經(jīng)模型在空中交通流量預(yù)測(cè)中的應(yīng)用[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 劉智勇;徐今強(qiáng);李水友;;城市交通流量的混沌時(shí)間序列預(yù)測(cè)[A];04'中國(guó)企業(yè)自動(dòng)化和信息化建設(shè)論壇暨中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì)專輯[C];2004年

5 周申培;嚴(yán)新平;;信息融合技術(shù)在交通流量預(yù)測(cè)中的應(yīng)用[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

6 于江波;陳后金;;基于分段學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

7 蔣海峰;魏學(xué)業(yè);張屹;;基于加權(quán)一階局域法的短時(shí)交通流量預(yù)測(cè)的研究[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 胡孟杰;基于流量預(yù)測(cè)的交通信號(hào)控制技術(shù)研究[D];浙江工業(yè)大學(xué);2014年

2 慕偉;城市道路交通流預(yù)測(cè)與路徑選擇研究[D];浙江工業(yè)大學(xué);2015年

3 林海濤;面向短時(shí)交通流量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)算法研究[D];南京郵電大學(xué);2016年

4 張仁初;寧波港船舶交通流量預(yù)測(cè)研究[D];大連海事大學(xué);2008年

5 朱文姍;擬建高速公路交通流量預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];中國(guó)科學(xué)院大學(xué)（工程管理與信息技術(shù)學(xué)院）;2014年

6 李波;基于小波分析和遺傳神經(jīng)網(wǎng)絡(luò)的短時(shí)城市交通流量預(yù)測(cè)研究[D];北京交通大學(xué);2012年

7 何偉;模糊神經(jīng)網(wǎng)絡(luò)在交通流量預(yù)測(cè)中的應(yīng)用研究[D];蘭州交通大學(xué);2012年

8 吳凱;基于神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)研究[D];南京郵電大學(xué);2013年

9 范魯明;基于非參數(shù)回歸的短時(shí)交通流量預(yù)測(cè)[D];天津大學(xué);2007年

10 吳杰;支持短時(shí)交通流量預(yù)測(cè)的概率圖模型構(gòu)建與推理[D];云南大學(xué);2012年

，

本文編號(hào)：1126456