原文传递
融合预测信息的动态路径选择算法研究
| 论文题名： | 融合预测信息的动态路径选择算法研究 |
| 关键词： | 动态路径选择;城市交通流预测;BP神经网络;改进Dijkstra算法;最优路径求解 |
| 摘要： | 随着城市化进程的不断加快,交通拥堵已成为限制城市发展的一大难题,仅靠传统的治理措施难以解决目前许多城市存在的常发性拥堵问题,智能交通系统(ITS)的兴起为解决拥堵带来了新思路。动态路径选择作为ITS的一个重要应用,依据城市道路网中路段的拓扑关系和实时交通信息为出行者规划最优出行策略,从而减少车辆在路网中的延误,最大限度地利用道路资源,因此对动态路径选择问题的研究具有重要的理论意义和实际应用价值。 本文在总结交通流预测和路径选择问题的研究现状基础上,通过对现有最优路径求解算法的比选,结合动态路径求解算法的基本特点,初选Dijkstra算法为动态最优路径求解算法。在分析融合预测信息的动态路径选择算法效率影响因素基础上,针对其中预测信息需要较高的精度,提出了基于改进BP神经网络的速度预测模型,针对动态最优路径求解算法需要较高的搜索效率和占用较小的存储空间,提出了改进Dijkstra算法。对于BP神经网络的三个缺陷:容易陷入局部最优解,最佳学习率不易设定,不同样本无法确定最佳隐层节点个数,本文设计了动量-自适应学习率训练算法、自适应学习率训练算法、隐层节点数可调节算法分别加以改进,并最终得出基于改进BP神经网络的速度预测模型,利用北京市二环路上2062,2065号检测器,三环路上3064,3067号检测器的实测速度数据进行预测,得出了较好的预测效果。对于融合预测信息的动态路径选择算法的设计,首先介绍了路网中几类常用路段权重的表达方法,结合动态路径选择的“动态性”特点,采用路段的行程时间作为权值,以路径行程时间最小为目标,并给出了行程时间计算方法,将预测的速度数据转换为行程时间数据,以此为基础设计了动态路径选择算法,最后结合一个算例,通过计算机仿真方法验证了融合预测信息的动态路径选择算法的有效性。 本文针对BP神经网络三个不足加以改进,建立了基于改进BP神经网络的速度预测模型,得出了较理想的预测效果。对Dijkstra算法进行了改进,与经典Dijkstra算法相比,占用更小的内存空间,具有更快的搜索效率。设计了融合预测信息的动态路径选择算法,并通过计算机仿真验证了算法的有效性,与以往路径选择算法相比,该算法不仅结合了预测信息,且具有更好的动态性。 |
| 作者： | 姜蕊 |
| 专业： | 交通运输规划与管理 |
| 导师： | 朱广宇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2011 |
| 正文语种： | 中文 |
检索历史
应用推荐
