原文传递
基于RBF神经网络的短时交通流预测研究
| 论文题名： | 基于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;RBF神经网络;小波降噪;萤火虫算法;FCM算法 |
| 摘要： | 近些年，机动车数量的急速增长造成了如交通拥堵和交通事故等各类交通问题，智能交通系统的出现有效的缓解了这类问题。短时交通流预测作为智能交通系统中的一项关键技术，既可为系统中的交通诱导和管控提供一定的决策依据，又可为居民提供合理的出行路线。但是短时交通流由于其极强的随机性和复杂性，使得现有的各种预测模型很难保证预测的精确度和预测结果的时效性。就这一问题本文从交通流特性分析和数据预处理、RBF神经网络及其优化用于短时交通流预测方面展开了研究，主要工作如下： 1.交通流特性分析和数据预处理。首先对采集的交通数据从趋势性、随机性和周期性三方面进行了特性分析，其次针对在交通流量采集过程中，由于受到外界因素干扰而导致的数据不准确的问题，本文对交通数据进行了修复和启发式小波阈值降噪，为后文研究提供数据支撑。 2.建立了RBF神经网络的交通流预测模型。针对传统模型无法很好的预测短时交通流的问题，本文利用RBF神经网络进行交通流预测，研究了RBF神经网络的结构和结构参数对交通流预测的影响，提出利用C-C法确定神经网络的输入层节点数，用K-means方法确定隐含层神经元数和中心值，建立了RBF神经网络的预测结构。 3.建立了基于IFA-RBF神经网络的交通流预测模型。首先针对RBF神经网络预测时易出现对网络初始参数敏感和易陷入局部极值的问题，本文提出利用萤火虫算法（FireflyAlgorithm，FA）对其进行初始参数选优，避免网络陷入局部极值；其次针对FA易于陷入“早熟”的问题，通过在基本FA中引入线性递减惯性权重和混沌搜索机制，建立基于IFA-RBF神经网络的预测模型，进一步提高了RBF神经网络的预测精度和收敛速度。 4.建立了基于FCM-IFA-RBF神经网络的交通流预测模型。针对单个RBF神经网络预测精度低和对交通流特性考虑不充分的问题，本文提出从交通数据自身特征出发，利用FCM算法对数据进行交通模式划分，针对不同的模式训练不同的IFA-RBF神经网络子模型，并由所有子模型共同完成预测，进一步提高了神经网络预测的准确性。 |
| 作者： | 张敏 |
| 专业： | 通信与信息系统 |
| 导师： | 曹洁 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
