原文传递
基于混合BP循环神经网络的短时交通流预测
| 论文题名： | 基于混合BP循环神经网络的短时交通流预测 |
| 关键词： | 短时交通流预测;BP循环神经网络;蚁群算法;卡尔曼滤波;信息素浓度 |
| 摘要： | 近年来由于私家车的增多使得交通拥挤的状况愈演愈烈，为更好的解决这一问题，开发一款智能交通相关的软件应用具有十分重要的意义。很明显，这一举措的实施能够为人们出行提供便利的同时，也为交通部门的系统化管理奠定基础。目前相关软件的功能设计中主要涉及交通诱导、控制两方面来完成对交通流实施，这样的方法并不能使短时交通流进行准确预测，基于此，本文从预测模型、预测方法这两个不同的维度切入，围绕交通流预测展开深入剖析，主要研究内容可以归结为下列三个方面，具体如下: (1)选用BP循环神经网络预测模型，并根据分析需求，将其直接作为基础预测模型，然后以此为基础展开分析。由于交通流的数据序列本身表现出高度的非线性特点，而BP循环神经网络针对这一特点的序列可以进行有效的识别、预测。因此采用这一网络来开展本文的研究和分析。 (2)对交通流预测方法进行优化。当对短时交通流进行预测时，所形成的误差存在一定的规律，为了搜集误差数据，本文在研究分析的过程之中引入了误差补偿极值，可以有效提高预测分析的精准度;另外由于在具有高度非线性特点的数据仍然存着一定程度的线性相关关系，为保证最终结果的精确，本文利用BP循环神经网络来针对序列的非线性部分来进行预测，而线性部分则使用卡尔曼滤波进行预测，构建基于混合BP循环神经网络的预测模型。 (3)利用优化后的蚁群算法对混合BP循环神经网络模型进行改进。当利用神经网络进行预测的过程之中，其在阈值、权值变化方面具有较高的敏感性，所以选用蚁群算法对其进行进一步改进。与此同时，为了使蚁群算法的寻优性能得到进一步强化，还通过合理化的方式，改进蚁群算法的启发方程、信息素浓度等，搭建基于优化后蚁群算法的混合BP循环神经网络预测模型。 在实验过程中，本文采用来自于Minnesota-Duluth公布的交通流数据，将BP循环神经网络(BPRNN)、混合BP循环神经网络（KF-BPRNN-EC）、优化后的BP循环神经网络(LIACO-BPRNN)、优化ACO的混合BPRNN(LIACO-KF-BPRNN-EC)全部进行整合、分析，并分别开展了短时交通流预测仿真，得出了实验结果。研究分析结论表明，相较于其它模型，LIACO-KF-BPRNN-EC无论是在拟合度方面，还是在预测精准度方面，其均得到了极大的提升。 |
| 作者： | 赵柏达 |
| 专业： | 控制工程 |
| 导师： | 徐林;肖楠 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东北大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
