基于KNN-DPC的RBF神经网络交通拥堵预测系统研究

发布时间：2020-06-19 03:59

【摘要】：随着社会经济的发展,居民生活水平显著提高,机动车保有量逐年提升,交通需求和供给之间出现了不平衡关系,作为这种不平衡关系的结果就是交通拥堵。交通拥堵治理的关键是当道路的在交通状态出现拥挤现象时,能事先发出预警信号,采取预防措施。所以预测交通拥堵状况,已经成为了社会上的一个焦点问题。环境因素作为影响交通拥堵的条件之一,对交通有着很大影响。现阶段对交通拥堵预测的研究中数据集均未将定量的环境因素纳入。同时现阶段研究中RBF神经网络已经被应用到了交通拥堵预测之中,并取得一定的效果。但是传统RBF神经网络中,使用K-Means算法确定隐层基函数中心,但K-Means算法过于依赖K值、不能自动识别类簇中心和对噪声数据敏感,如果将环境因素加入数据集后,该模型将不再适用。为了解决这些问题,本文尝试以北京市交通路网数据和北京市气象数据为基础数据,将文中设计的基于正态分布的KNN-DPC算法融入RBF神经网络中,提出了一种基于KNN-DPC的RBF神经网络模型。并通过该模型设计了交通拥堵预测系统,该系统具有较高的有效性和准确性。研究内容包括:1.针对现阶段研究中对交通拥堵预测未定量考虑环境因素的问题,本文通过查阅相关资料和文献,对交通拥堵相关的环境因素进行了筛选,最后设计了一个纳入环境因素的道路拥堵状态预测数据集。2.针对KNN-DPC算法在选择类簇中心时,是通过决策图人工选择的,受人为主观影响大,所以本文提出了一种基于正态分布的KNN-DPC算法,该算法能够自主识别数据集中的类簇中心,为本文优化RBF神经网络提供基础。3.针对传统RBF神经网络使用K-Means算法选择类簇中心的问题,本文使用基于正态分布的KNN-DPC算法,作为RBF神经网络基函数中心选择的算法,再通过相关计算得到其余参数。优化过后的神经网络模型预测精度高、对噪声数据具有很强的鲁棒性。4.为了预测交通拥堵状况,本文将设计一个基于KNN-DPC的RBF神经网络交通拥堵预测系统,通过使用纳入环境因素的数据集对RBF神经网络进行训练,最后使用训练好的网络预测道路速度,并根据道路速度阀值判断道路的拥堵状态。最后为了验证了本文算法、模型、系统的可行性、准确性及有效性,首先通过使用基于正态分布的KNN-DPC算法对UCI数据集进行类簇中心选择测试,结果表明该算法具有很强的可行性和准确性。然后通过使用北京市历史路网数据和气象数据,对基于KNN-DPC的RBF神经网络交通拥堵预测系统进行有效性和模型准确性测试,结果证明本文系统可以准确、自动化、有效的完成路面拥堵状况的预测,且具有较高的预测准确度。
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;U491.265
【图文】：

组织结构图,组织结构图,论文,交通拥堵

第 1 章绪论据集设计，从环境因素入手，挑选合适的环境维度，对数据集进行了符合交通拥堵预测的设计。其次对模型的确定方式进行了介绍，描述了训练集选取的范围，并简述了模型验证过程，然后介绍了基于 KNN-DPC 的 RBF 神经网络交通拥堵预测系统设计，主要从功能设计、框架、基本思路、模块、类以及数据库这几个方面详细的阐述了本文基于 KNN-DPC 的 RBF 神经网络交通拥堵预测系统的设计思路。第 5 章：实验结果与分析。从硬件和软件两个方面对本文实验环境做了详细介绍。然后对基于正态分布的 KNN-DPC 算法进行实验和分析，先对实验数据集进行说明，然后通过实验证明基于正态分布的 KNN-DPC 算法的有效性和鲁棒性。最后对基于 KNN-DPC 的 RBF 神经网络交通拥堵预测系统进行了测试和分析，先确定测试数据，然后对基于 KNN-DPC 的 RBF 神经网络交通拥堵预测系统进行实验，证明了本文系统的有效性和准确性。最后结论部分，总结了本文的主要工作，并提出下一步研究的方向。

原理图,径向基函数,原理,基函数

通常定义为空间中任一点x到某一中心c之间的欧式距离的单调函数，其作用往往是局部的，即当 x 远离中心 c 时函数取值很小。径向基函数解决多变量插值问题的任务过程可以具体叙述成：假设输入空间中有 N 个向量，每一个向量上放一个基函数，如图 2-1 第一个图中所示每个点就是一个向量，第二个图中红线代表的是基函数，每一个绿色虚线所对应的是每个训练样本对应的基函数，其基函数中心就是每个向量的蓝点，这些样本点拟和的数据趋势就是第三个图中蓝色线。假设有一个新的数据点 x1，要计算它的映射关系所对应的函数值。那从第三个图中能看出，a 的函数值代表 f(x1),b 点代表左边样本点对应的基函数函数值，c 点代表右边样本点对应的函数值。从图中可以发现 a 的函数值等于 b 的函数值加上 c 的函数值，b 点的函数值大小由第一个向量的基函数值与一个较大权值相乘得到，c点的函数值由第二个向量的基函数值与一个较小的权值相乘得到。而其它向量的权值都为 0，这是因为 x1的位置位于第一个向量和第二个向量之间，远离其他向量。基函数中心离插入的值越近，对插入值的函数值作用效果越明显，离插入值越远，作用效果越小，基函数的值越趋近于 0。所以对于任意新的插值x，可以用附近样本点的基函数与权值相乘，再在 x 处线性相加得到。这样就可以完美模拟真实的曲线了。

【参考文献】