详情

原文传递数据挖掘在交通流诱导分析中的研究与应用

论文题名：	数据挖掘在交通流诱导分析中的研究与应用
关键词：	交通流诱导;数据挖掘;模糊聚类;BP神经网络;遗传算法
摘要：	城市交通拥挤是当今世界普遍关注的问题，它所带来的严重危害日益影响到人们的日常生活和社会经济的发展。交通流诱导是智能交通系统(ITS)研究的核心内容之一，是先进的交通管理系统(ATMS)和先进的出行者信息系统(ATIS)的重要组成部分，是用于提高道路的通行能力和车辆的运行效率、缓解交通拥挤和减少交通事故的有效手段和最佳途径。交叉路口作为城市地面道路交通的主要集散点，是产生交通拥挤的主要环节，对其交通流进行合理分析和诱导，是研究城市交通问题一个关键的切入点。实时动态交通是交通流诱导的核心和基础，而实时交通流预测是实时动态交通分配的前提。本文针对当前城市交通拥挤问题的现状，以交叉路口为研究对象，利用数据挖掘方法分别对交通状态的识别、实时交通流量预测和实时动态交通流分配模型优化进行了深入的研究与探讨。 1、针对城市道路交通状态识别的问题，提出了一种改进的模糊C-均值(FCM)算法。首先，该算法要解决聚类数目和模糊指数的选取问题。本文在对交通状态基本特征的分析基础上，结合交通工程理论知识，将城市道路交通状态分为四个等级，从而解决了聚类数目的选取问题；至于模糊指数，本文采用启发式方法来确定模糊指数，使隶属函数尽量覆盖整个输入空间；其次，在对上海市某交叉路口的实际交通数据进行实证研究和仿真分析基础上，结合交通的实际情况以及饱和度与交通状态相关性分析，得出了饱和度的辅助判定依据；最后，在该算法的基础上，以饱和度为辅助判定依据，结合实际交通数据重新进行判定。仿真研究表明该方法能够有效地对道路交通状态进行识别。 2、针对实时交通流预测问题，提出一种改进的BP 网络预测模型。本文着重对各种改进的BP 训练算法进行了仿真研究，通过比较分析以寻求最佳的BP网络预测模型。LM 算法是梯度下降法与高斯-牛顿法相结合的一种数值优化算法，既有高斯-牛顿法的局部收敛，又有梯度下降法的全局特性。仿真结果表明，就训练次数及准确度而言，LM 算法要明显优于其它改进的训练算法；应用LM训练算法的BP 网络预测模型不仅训练时间和预测时间大大缩短，而且各项预测性能指标都足以满足实时交通流预测的要求。 3、针对实时交通流分配模型的优化问题，提出一种改进的自适应遗传算法(MAGA)。在该算法中，对于适应度小于种群平均适应度的个体，个体以较大的概率进行交叉和变异；对于适应度大于种群平均适应度的个体，其交叉概率和变异概率随着个体适应度接近当前最好个体适应度的程度而动态调整。这样既能保证在进化的初期阶段进化速度快，又能保证在进化的后期阶段进化效果较好。事实上，从仿真结果来看，与普通的遗传算法(GA)相比，该算法不仅能增强算法的全局收敛性，还能加快遗传进化速度。
作者：	王华锐
专业：	模式识别与智能系统
导师：	王洪澄
授予学位：	硕士
授予学位单位：	上海交通大学
学位年度：	2005
正文语种：	中文