自适应人工鱼群算法BP循环神经网络短时交通流预测研究

发布时间：2021-05-15 00:00

　　经济快速发展使得机动车保有量呈爆炸性增长,随之而来的便是交通状况的日益复杂以及交通问题的频出。交通拥堵不仅会对社会经济产生一定影响同时也造成了环境污染,所以对于未来短时间段内的交通状况的预测成为了研究热点,也与人们的日常出行密不可分。本研究通过对短时交通流预测模型以及与其相关的优化算法的了解,提出了自适应人工鱼群算法BP循环神经网络（AAFSA-RNN）模型用以短时交通流预测,旨在提高神经网络训练速度以及模型预测精度。提出的自适应人工鱼群算法中,首先是对算法中的参数进行改进,人工鱼视野的自适应设定——基于人工鱼之间距离的平均值,步长的自适应设定——基于迭代次数,由于拥挤度因子对算法影响小且确定难度高,选择将其忽视。通过上述改动来最大程度地减少人工鱼群算法中需要进行设定的参数。由于对拥挤度因子的忽视,需要对人工鱼的行为进行相应的改变。通过对神经网络相关内容的学习以及研究中使用的实例交通流数据特性的了解,最终选定BP循环神经网络作为预测所使用的网络模型。该模型通过对输入信号的“上下文”内容的考虑,在人工语音识别、图像识别等方面表现良好,在交通领域也有广泛的应用。本研究针对交通流信息的连续性... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
    1.1 选题背景与意义
        1.1.1 选题背景
        1.1.2 选题意义
    1.2 国内外研究现状
        1.2.1 交通流预测国内外研究现状
        1.2.2 群智能优化算法国内外研究现状
    1.3 论文主要研究内容
    1.4 论文的组织结构
2 相关算法与模型理论基础
    2.1 循环神经网络
        2.1.1 BP神经网络模型
        2.1.2 循环神经网络模型
    2.2 人工鱼群算法
        2.2.1 群智能优化算法
        2.2.2 人工鱼结构模型
        2.2.3 人工鱼基本行为
        2.2.4 人工鱼群算法寻优
    2.3 本章小结
3 交通流数据
    3.1 交通流数据来源
        3.1.1 数据来源
        3.1.2 数据读取
    3.2 交通流数据特性
        3.2.1 不同采样时间交通流量变化图
        3.2.2 交通流的随机性
        3.2.3 交通流的周期相似性
        3.2.4 交通流的不确定性
    3.3 本章小结
4 自适应人工鱼群算法BP循环神经网络
    4.1 自适应人工鱼群算法参数
        4.1.1 视野Visual
        4.1.2 步长Step
        4.1.3 人工鱼总数N
        4.1.4 尝试次数Try-number
        4.1.5 拥挤度因子δ
    4.2 自适应人工鱼群算法的人工鱼行为
        4.2.1 觅食行为
        4.2.2 追尾行为
        4.2.3 聚群行为
    4.3 自适应人工鱼群算法流程
    4.4 BP循环神经网络
        4.4.1 BP循环神经网络结构设计思路
        4.4.2 BP循环神经网络结构
    4.5 自适应人工鱼群算法BP循环神经网络
        4.5.1 自适应人工鱼群算法与BP循环神经网络结合的必要性
        4.5.2 自适应人工鱼群算法结合BP循环神经网络
    4.6 本章小结
5 自适应人工鱼群算法BP循环神经网络实现与实例验证
    5.1 数据预处理
        5.1.1 数据整理
        5.1.2 数据的归一化与反归一化
    5.2 模型实现
    5.3 模型训练结果以及预测精度评价
        5.3.1 模型训练结果与预测精度
        5.3.2 模型预测结果比较分析
    5.4 本章小结
6 结论与展望
    6.1 研究主要完成内容
    6.2 不足与展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3186570