原文传递
基于神经网络的城市交通流量预测模型研究
| 论文题名： | 基于神经网络的城市交通流量预测模型研究 |
| 关键词： | 交通流量;预测模型;神经网络;遗传算法 |
| 摘要： | 随着我国城镇化进程的不断深入与汽车行业的增长，我国的汽车数量呈高速增长趋势。过多的机动车带来了一系列的负面问题:交通拥堵、交通事故频发、能源利用率低、尾气污染等。其中，交通拥堵问题显得尤为严峻，目前仍然没有得到较好的改善。当前交通调控与管理已经趋向于智能化，交通流量预测是交通管理与调控过程中的关键环节，准确的获得短时交通流量的预测数据具有很大的现实意义。 交通流量是一个多变量、时变性强的复杂参量。目前已有较多的单个预测模型可以实现交通流量预测，针对单个预测模型，研究重点在于如何提高预测模型的精度。为了提高交通流量预测模型的精度，本文的工作从以下几个方面展开: （一）本文首先分析了交通流数据的时间特性和空间特性，在充分考虑了交通流量的周期性、随机性和相似性的基础之上，根据日类型因素、时间因素、气象因素、事故因素等因素对历史交通数据进行归类和划分。 （二）本文介绍了几种当前使用比较广泛的预测方法，分别对其原理及使用方法进行了阐述，并使用每种方法对交通流量预测做了实例分析，总结与对比了各种预测方法的特点。 （三）在对比几种预测方法后，本文选择使用BP神经网络进行交通流量预测。对于交通流体现出的非线性特性以及BP神经网络预测模型容易陷入局部极小值的问题，本文首先对基本BP算法进行了一定的改进，使用自适应变步长算法来改善BP神经网络的收敛慢、容易出现振荡的缺陷;此外，为了搜寻最优BP网络模型，文中采用了基于遗传算法的BP神经网络预测模型，这是本文的一个创新之处。 （四）对于神经网络的输入量选择的问题，本文做了输入量相关性的数学分析，从众多影响因素中选择与期望输出相关度较大的因素作为输入变量，从而提高预测模型的精度。 （五）最后，文中以广州市道路的交通流量数据作为样本，进行了三种不同的MATLAB仿真:1,使用传统的BP神经网络模型进行仿真，并通过使用不同数目的隐层神经元数目得出不同的误差精度，以此来选择可以使得误差精度较高的隐层神经元数目;2,使用改进的BP神经网络模型进行仿真，采用自适应变步长算法来改善BP神经网络的收敛慢、容易出现振荡的缺陷;3,使用基于遗传算法的BP神经网络模型进行仿真，得到的BP网络模型可以实现预测精度高、收敛时间短的预测效果。 |
| 作者： | 张佳宁 |
| 专业： | 控制科学与工程 |
| 导师： | 章云 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广东工业大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
