基于集成神经网络的短时交通流预测研究
发布时间：2021-04-13 23:24
随着城市道路交通拥堵问题日益严峻,为有效提高道路通行能力,智能交通系统应运而生。而智能交通系统的有效实现需要准确及时的短时交通流数据作为支撑,准确及时的交通流预测不仅有助于制定有效的交通管理与控制策略,减少时间和空间上的路权浪费,提高道路通行效率;而且可以为出行者提供准确可靠的路径诱导信息,使交通流在路网上有一个合理分配。本文在学习关于国内外短时交通流预测现有研究成果的基础上,结合短时交通流特征,提出了一种基于二次分解技术的集成神经网络模型。此外,文章重点考虑了短时交通流数据的预处理技术和预测模型的优化两个方面,所做的主要工作如下:（1）基于二次分解方法的短时交通流时间序列预处理技术。首先采用小波分解方法对交通流进行降噪,减弱噪声对交通流预测的干扰,通过大量仿真实验最终得到信噪比较高的小波分解方法;然后对小波分解后的信号进行集成经验模态分解,将交通流分解为若干频率相似的波和余波,以此提高预测模型的精确度。（2）PSR-PSO-Elman神经网络预测模型。由于交通流的混沌性特征,采用基于C-C方法的相空间重构技术确定Elman神经网络结构的输入层节点数;通过对最佳隐含层节点数进行分层平均...
【文章来源】：兰州交通大学甘肃省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
近5年全国小汽车保有量数
基于集成神经网络的短时交通流预测研究-14-区主路上的实时交通流量，检测器站点编号分别为#312010，#311974，#312757，检测时间为2018年1月8日-1月12日（工作日，周一至周五）白天6:00-19:00的5min交通流数据。图2.4PeMS系统工作流程图2.4本章小结本章首先对交通流三要素：流量、速度、密度（占有率）等概念进行概述，并介绍目前广泛应用的交通流检测技术和设备；然后对交通流特性进行分析和总结，为预测研究方法的选择奠定理论基础；最后对论文研究数据来源PeMS系统进行简单介绍。
兰州交通大学工程硕士学位论文-23-4基于Elman神经网络的预测模型4.1Elman神经网络模型4.1.1人工神经网络概述自1943年美国心理学家WrrenS.McCulloch和数学家WalterH.Pills提出神经元数学模型开始，人工神经网络经历了一条从兴起到萧条、又由萧条到兴盛的曲折发展道路。其理论历程：神经元数学模型——Hebb学习规则——感知器（完整的人工神经网络）——自适应线性单元网络——Hopfield模型——BP算法也逐渐走向成熟。神经网络的特征主要表现在其网络的拓扑结构上，按照神经网络的拓扑结构，其大致可分为以下几类：前馈式网络。此种网络结构是分层按照顺序排列的，每一层的神经元输出仅仅和下一层神经元相连，特别适用于BP算法。由于80%～90%的神经网络模型采用的都是BP算法或其变换形式，而BP神经网络又是前向网络的核心部分，所以在神经网络的研究中主要用到的是前向神经网络，其结构图如下图4.1所示：图4.1前向网络结构示意图前向型神经网络中每个连接方向都是向前的，从输入到输出没有反馈环节。该神经网络有一个输入层、一个输出层和一个或多个隐含层，输入信号从输入层节点开始，依次经过各隐含层节点，然后传到各输出层节点，其中每层节点的输出只影响下一层节点的输出。隐含层节点的输入和输出都是针对神经网络内部的，输出层神经元的输出是网络的外部输出。在确定隐含层的个数和各层节点的个数以后，就可以通过不断改变连接权值和阈值来获得期望输出。
【参考文献】：
期刊论文
[1]基于GA-BP神经网络的交叉口短时交通流预测[J]. 朱云霞,郭唐仪. 交通运输研究. 2019(02)
[2]EMD分解下基于SVR的股票价格集成预测[J]. 贺毅岳,高妮,王峰虎,茹少峰,韩进博. 西北大学学报(自然科学版). 2019(03)
[3]改进PSO优化的BP神经网络短时交通流预测[J]. 马秋芳. 计算机仿真. 2019(04)
[4]基于灰色ELM神经网络的短时交通流量预测[J]. 景辉鑫,钱伟,车凯. 河南理工大学学报(自然科学版). 2019(02)
[5]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[6]基于分解–优化–集成学习方法的电价预测[J]. 蒋锋,何佳琪,曾志刚,田天海. 中国科学:信息科学. 2018(10)
[7]基于时空融合的城市快速路短时交通流预测[J]. 陆文琦,谷远利,陈伦. 计算机仿真. 2018(09)
[8]基于自适应GAElman神经网络的短时交通预测[J]. 邝先验,周扬栋,宋二猛. 计算机仿真. 2018(07)
[9]遗传算法优化BP神经网络的交通流参数预测[J]. 车国鹏,刘永红. 综合运输. 2018(06)
[10]基于遗传-小波神经网络和时空特性的交通数据融合[J]. 陆百川,马广露,李晓璐,胡松. 科学技术与工程. 2017(28)
硕士论文
[1]基于Elman神经网络的短时交通流预测及应用研究[D]. 解小平.兰州交通大学 2017
[2]基于混沌和SVR的短时交通流预测方法研究[D]. 徐永俊.西南交通大学 2011
[3]基于集成过程神经网络的交通流动态预测方法研究与实现[D]. 高小平.北京大学 2008
本文编号：3136195
【文章来源】：兰州交通大学甘肃省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
近5年全国小汽车保有量数
基于集成神经网络的短时交通流预测研究-14-区主路上的实时交通流量，检测器站点编号分别为#312010，#311974，#312757，检测时间为2018年1月8日-1月12日（工作日，周一至周五）白天6:00-19:00的5min交通流数据。图2.4PeMS系统工作流程图2.4本章小结本章首先对交通流三要素：流量、速度、密度（占有率）等概念进行概述，并介绍目前广泛应用的交通流检测技术和设备；然后对交通流特性进行分析和总结，为预测研究方法的选择奠定理论基础；最后对论文研究数据来源PeMS系统进行简单介绍。
兰州交通大学工程硕士学位论文-23-4基于Elman神经网络的预测模型4.1Elman神经网络模型4.1.1人工神经网络概述自1943年美国心理学家WrrenS.McCulloch和数学家WalterH.Pills提出神经元数学模型开始，人工神经网络经历了一条从兴起到萧条、又由萧条到兴盛的曲折发展道路。其理论历程：神经元数学模型——Hebb学习规则——感知器（完整的人工神经网络）——自适应线性单元网络——Hopfield模型——BP算法也逐渐走向成熟。神经网络的特征主要表现在其网络的拓扑结构上，按照神经网络的拓扑结构，其大致可分为以下几类：前馈式网络。此种网络结构是分层按照顺序排列的，每一层的神经元输出仅仅和下一层神经元相连，特别适用于BP算法。由于80%～90%的神经网络模型采用的都是BP算法或其变换形式，而BP神经网络又是前向网络的核心部分，所以在神经网络的研究中主要用到的是前向神经网络，其结构图如下图4.1所示：图4.1前向网络结构示意图前向型神经网络中每个连接方向都是向前的，从输入到输出没有反馈环节。该神经网络有一个输入层、一个输出层和一个或多个隐含层，输入信号从输入层节点开始，依次经过各隐含层节点，然后传到各输出层节点，其中每层节点的输出只影响下一层节点的输出。隐含层节点的输入和输出都是针对神经网络内部的，输出层神经元的输出是网络的外部输出。在确定隐含层的个数和各层节点的个数以后，就可以通过不断改变连接权值和阈值来获得期望输出。
【参考文献】：
期刊论文
[1]基于GA-BP神经网络的交叉口短时交通流预测[J]. 朱云霞,郭唐仪. 交通运输研究. 2019(02)
[2]EMD分解下基于SVR的股票价格集成预测[J]. 贺毅岳,高妮,王峰虎,茹少峰,韩进博. 西北大学学报(自然科学版). 2019(03)
[3]改进PSO优化的BP神经网络短时交通流预测[J]. 马秋芳. 计算机仿真. 2019(04)
[4]基于灰色ELM神经网络的短时交通流量预测[J]. 景辉鑫,钱伟,车凯. 河南理工大学学报(自然科学版). 2019(02)
[5]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[6]基于分解–优化–集成学习方法的电价预测[J]. 蒋锋,何佳琪,曾志刚,田天海. 中国科学:信息科学. 2018(10)
[7]基于时空融合的城市快速路短时交通流预测[J]. 陆文琦,谷远利,陈伦. 计算机仿真. 2018(09)
[8]基于自适应GAElman神经网络的短时交通预测[J]. 邝先验,周扬栋,宋二猛. 计算机仿真. 2018(07)
[9]遗传算法优化BP神经网络的交通流参数预测[J]. 车国鹏,刘永红. 综合运输. 2018(06)
[10]基于遗传-小波神经网络和时空特性的交通数据融合[J]. 陆百川,马广露,李晓璐,胡松. 科学技术与工程. 2017(28)
硕士论文
[1]基于Elman神经网络的短时交通流预测及应用研究[D]. 解小平.兰州交通大学 2017
[2]基于混沌和SVR的短时交通流预测方法研究[D]. 徐永俊.西南交通大学 2011
[3]基于集成过程神经网络的交通流动态预测方法研究与实现[D]. 高小平.北京大学 2008
本文编号：3136195
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3136195.html
