原文传递
优化集成RBF神经网络的短时交通流预测研究
| 论文题名： | 优化集成RBF神经网络的短时交通流预测研究 |
| 关键词： | 短时交通流预测;径向基神经网络;集成学习;数据修复 |
| 摘要： | 随着社会经济的发展，机动车保有量不断增加，导致环境污染、交通事故及交通拥堵等问题成为制约城市发展的重要瓶颈。为有效解决城市交通问题，智能交通系统应运而生，短时交通流预测作为其中一个重要组成部分，如何准确实时的提供预测结果是智能交通亟需解决的问题。然而，短时交通流系统的复杂性、非线性及不确定性等特点，使得现有的预测模型难以满足智能交通系统对时间和精度的要求。本文在总结以往研究的基础上，对采集的原始交通流数据进行检测与异常值修复，以保障数据分析和挖掘的合理性；同时利用径向基(RBF)神经网络及集成学习算法建立短时交通流预测模型，为交通诱导与控制提供理论支撑。论文的主要创新研究工作如下： 1.提出了基于改进FCM算法的交通流缺失数据修复方法。针对交通检测器在采集和传输过程中出现交通流数据异常问题，提出一种改进FCM的交通流缺失数据修复方法，利用模糊决策理论和模拟退火算法优化FCM的聚类数目和模糊度指数，通过比较交通流数据中的相似性，实现缺失数据的修复，为后续短时交通流预测研究提供高质量数据支持； 2.建立了基于IACO-RBF神经网络的交通流预测模型。针对传统神经网络存在预测精度不高、参数设置敏感等缺点，引入蚁群算法对RBF神经网络相关参数进行优化。为提高收敛速度及寻优精度，对蚁群算法中信息素更新公式和路径转移概率进行改进，建立IACO-RBF神经网络预测模型，并使用修复后的交通流数据以提高预测精度； 3.建立了基于AdaBoost方法集成IACO-RBF神经网络的交通流预测模型。针对单一的RBF神经网络进行预测时存在模型不稳定、泛化能力低等问题，将IACO-RBF神经网络预测模型作为AdaBoost集成算法的基学习器，建立AdaBoost-IACO-RBF神经网络预测模型，由多个预测结果共同决定最终的预测输出，提高预测模型的稳定性及预测精度。 |
| 作者： | 尹阳阳 |
| 专业： | 电子与通信工程 |
| 导师： | 刘宗礼;杨波 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州理工大学 |
| 学位年度： | 2020 |
| 正文语种： | 中文 |
检索历史
应用推荐
