基于回声状态网络的交通流预测方法与应用研究
发布时间：2021-06-14 05:00
随着我国城市化进程的快速推进,中心城市的交通在一些时段和区域拥堵严重。精准的交通流预测可以为交通控制系统提供良好的道路通行状态预报,在一定程度上缓解城市拥堵问题。然而,传统交通流预测的研究中存在两个难点,一是交通流多步预测步长小、精度差;二是多条道路的交通流预测耗时长、效率低。本文从实际应用出发,针对当前交通流预测方法中存在的问题,综合考虑时间维度和空间维度,以回声状态网络模型为基础,提出了基于回声状态网络的单点多步交通流预测模型和多点单步交通流预测模型,并将这两种模型应用于车辆路径优化问题。具体内容如下:⑴时间维度,针对传统多步交通流预测步长小、精度低的问题,提出了一种基于回声状态网络的单点多步交通流预测模型,其预测的时间范围是一天。该模型结合交通流的周期性特征重构时间序列,并引入主成分分析降维思想,利用回声状态网络模型进行交通流时间序列预测。一方面能够将原始的多步预测问题转换成多个单步预测问题,提高模型的预测精度;另一方面能够降低数据维度,提高预测效率,在去掉冗余数据的同时还能进一步提高预测精度。此外还采用自适应扰动粒子群算法优化回声状态网络模型中的重要参数,将该模型应用到实际交通...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
实测交通流数据图
(b) 直接预测法 图3.3 交通流预测实验结果图 从图 3.3 中的实验结果可以看出，基于回声状态网络的交通流直接预测和迭代预测方法的预测结果均能反映出每天车流量的大致变化趋势和规律。但是在每天的交通流高峰时刻，直接预测方法比迭代预测方法在一定程度上更好地拟合数据的震荡规律。两种方法预测结果的误差见表 3.2。 表3.2 预测误差统计表 mad rmse (%)mape 迭代预测 75.50 92.50 20.35直接预测 52.81 68.87 12.25 从表 3.2 中可以看出，基于 ESN 的交通流直接预测方法对车流量数据的预测精度更高，直接预测方法的平均绝对百分比误差mape 为 12.25%，相较于迭代预测方法降低了 8.1%。实验表明直接预测方法更适用于交通流预测。 （2）ESN 与 ARIMA 直接预测与迭代预测对比试验的结果表明交通流直接预测方法比迭代预测方法的精度更高，接下来将基于 ESN 的直接预测方法与经典的 ARIMA 模型直接预测方法进行实验对比，使用与上一实验相同的数据。实验结果如图 3.4 所示
29 图3.4 两种交通流预测方法结果对比图 由图 3.4 可知，基于 ESN 的直接预测方法比经典的 ARIMA 直接预测方法具有更高的精度，ARIMA 方法仅能预测出交通流数据的大致变化趋势，但是实际预测值和真实值相差很大。这两种方法的预测结果的误差见表 3.3。 表3.3 两种方法预测误差统计表 mad rmse mape （%） ARIMA 108.53 129.46 73.89 ESN 52.81 68.87 12.25 从表 3.3 中也可以看出，经典 ARIMA 直接预测方法的平均绝对误差mape 达到了73.89%，而基于 ESN 的直接预测方法的平均绝对百分比误差mape 仅为 12.25%，比ARIMA 降低了 61.64%。平均绝对误差mad 和均方根误差rmse 也分别降低了 55.72 和60.59。此外，还发现本节各项实验结果中的误差都比较大，原因是实验中数据的采样时间间隔为 1 小时
【参考文献】：
期刊论文
[1]基于云计算的低碳物流配送网络路径优化设计[J]. 高敏. 哈尔滨商业大学学报(自然科学版). 2018(05)
[2]考虑碳排放的冷链物流联合配送路径优化[J]. 鲍春玲,张世斌. 工业工程与管理. 2018(05)
[3]物流区域配送车辆运输路径优化调度仿真[J]. 何芳. 计算机仿真. 2018(08)
[4]基于改进Dijkstra算法的应急物流路径规划[J]. 李耀庭,刘怡君,蔡维晓,陈泉铨. 军事交通学院学报. 2018(07)
[5]基于MILK RUN模式与C-W算法的车辆路径规划研究[J]. 刘荣莉,柴峰涛. 科技视界. 2018(20)
[6]物流运输快速配送路径规划仿真[J]. 王力锋,刘双双,刘抗英. 计算机仿真. 2017(08)
[7]Traffic Flow Data Forecasting Based on Interval Type-2 Fuzzy Sets Theory[J]. Runmei Li,Chaoyang Jiang,Fenghua Zhu,Xiaolong Chen. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[8]一种新的多标记特征提取方法[J]. 张居杰,方敏,郭锦. 西安电子科技大学学报. 2016(06)
[9]基于联合配送的城市物流配送路径优化[J]. 葛显龙,许茂增,王伟鑫. 控制与决策. 2016(03)
[10]混沌扰动模拟退火蚁群算法低碳物流路径优化[J]. 张立毅,王迎,费腾,周修飞. 计算机工程与应用. 2017(01)
本文编号：3229120
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
实测交通流数据图
(b) 直接预测法 图3.3 交通流预测实验结果图 从图 3.3 中的实验结果可以看出，基于回声状态网络的交通流直接预测和迭代预测方法的预测结果均能反映出每天车流量的大致变化趋势和规律。但是在每天的交通流高峰时刻，直接预测方法比迭代预测方法在一定程度上更好地拟合数据的震荡规律。两种方法预测结果的误差见表 3.2。 表3.2 预测误差统计表 mad rmse (%)mape 迭代预测 75.50 92.50 20.35直接预测 52.81 68.87 12.25 从表 3.2 中可以看出，基于 ESN 的交通流直接预测方法对车流量数据的预测精度更高，直接预测方法的平均绝对百分比误差mape 为 12.25%，相较于迭代预测方法降低了 8.1%。实验表明直接预测方法更适用于交通流预测。 （2）ESN 与 ARIMA 直接预测与迭代预测对比试验的结果表明交通流直接预测方法比迭代预测方法的精度更高，接下来将基于 ESN 的直接预测方法与经典的 ARIMA 模型直接预测方法进行实验对比，使用与上一实验相同的数据。实验结果如图 3.4 所示
29 图3.4 两种交通流预测方法结果对比图 由图 3.4 可知，基于 ESN 的直接预测方法比经典的 ARIMA 直接预测方法具有更高的精度，ARIMA 方法仅能预测出交通流数据的大致变化趋势，但是实际预测值和真实值相差很大。这两种方法的预测结果的误差见表 3.3。 表3.3 两种方法预测误差统计表 mad rmse mape （%） ARIMA 108.53 129.46 73.89 ESN 52.81 68.87 12.25 从表 3.3 中也可以看出，经典 ARIMA 直接预测方法的平均绝对误差mape 达到了73.89%，而基于 ESN 的直接预测方法的平均绝对百分比误差mape 仅为 12.25%，比ARIMA 降低了 61.64%。平均绝对误差mad 和均方根误差rmse 也分别降低了 55.72 和60.59。此外，还发现本节各项实验结果中的误差都比较大，原因是实验中数据的采样时间间隔为 1 小时
【参考文献】：
期刊论文
[1]基于云计算的低碳物流配送网络路径优化设计[J]. 高敏. 哈尔滨商业大学学报(自然科学版). 2018(05)
[2]考虑碳排放的冷链物流联合配送路径优化[J]. 鲍春玲,张世斌. 工业工程与管理. 2018(05)
[3]物流区域配送车辆运输路径优化调度仿真[J]. 何芳. 计算机仿真. 2018(08)
[4]基于改进Dijkstra算法的应急物流路径规划[J]. 李耀庭,刘怡君,蔡维晓,陈泉铨. 军事交通学院学报. 2018(07)
[5]基于MILK RUN模式与C-W算法的车辆路径规划研究[J]. 刘荣莉,柴峰涛. 科技视界. 2018(20)
[6]物流运输快速配送路径规划仿真[J]. 王力锋,刘双双,刘抗英. 计算机仿真. 2017(08)
[7]Traffic Flow Data Forecasting Based on Interval Type-2 Fuzzy Sets Theory[J]. Runmei Li,Chaoyang Jiang,Fenghua Zhu,Xiaolong Chen. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[8]一种新的多标记特征提取方法[J]. 张居杰,方敏,郭锦. 西安电子科技大学学报. 2016(06)
[9]基于联合配送的城市物流配送路径优化[J]. 葛显龙,许茂增,王伟鑫. 控制与决策. 2016(03)
[10]混沌扰动模拟退火蚁群算法低碳物流路径优化[J]. 张立毅,王迎,费腾,周修飞. 计算机工程与应用. 2017(01)
本文编号：3229120
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3229120.html
