面向短时交通流量预测的神经网络算法研究

发布时间：2017-11-01 10:35

  本文关键词：面向短时交通流量预测的神经网络算法研究

  更多相关文章： 短时交通流预测 BP神经网络 卷积神经网络 模糊C均值 田口试验设计

【摘要】：智能交通系统通过对交通流进行控制和诱导来缓解交通拥堵,短时交通流预测在该系统中为交通流的控制和诱导提供有效的数据支持。人工神经网络具备良好的非线性映射和自学习能力,目前已被广泛应用于短时交通流量预测,但现有算法的预测精度通常难以满足智能交通系统的需求。本文主要研究BP神经网络和卷积神经网络在短时交通流量预测方面的应用,致力于在提升预测精度的同时尽可能减少计算量,主要研究工作如下:1)提出基于模糊C均值聚类和BP神经网络组合模型的短时交通流量预测算法,该算法通过聚类算法对交通流量进行准确的模式划分,为每种流量模式构建相应的BP神经网络预测模型,并以所有预测模型预测值的加权和作为预测结果。实验表明,上述算法对流量的模式划分合理,预测精度高于传统的BP神经网络预测算法和现有的组合模型预测算法,具备一定的实用价值。2)提出上述组合模型预测算法的改进算法,使用田口试验设计法进行试验设计,通过分析试验结果,得到组合预测模型结构参数的最佳取值,以此最佳参数取值来执行上述基于组合模型的算法来进行短时交通流量预测。实验表明,该改进算法的预测精度得到进一步提升,且参数优化过程的计算量小,能够从一定程度上解决使用遗传算法优化参数时计算量过大的问题。3)提出基于卷积神经网络的短时交通流量预测算法,将卷积神经网络应用于交通流量预测,综合考虑预测路段及其上下游路段流量,使输入数据扩展到二维以满足卷积神经网络的输入格式,并根据输入数据的特点来设计卷积神经网络预测模型的结构。实验表明,该算法的预测精度高于基于单一预测模型的BP神经网络算法,在一定程度上好于现有的基于组合预测模型的算法。
【关键词】：短时交通流预测 BP神经网络 卷积神经网络 模糊C均值 田口试验设计
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-18
• 1.1 研究背景9-12
• 1.1.1 交通流预测9-10
• 1.1.2 人工神经网络10-12
• 1.2 研究目的与实际意义12
• 1.3 国内外研究现状12-16
• 1.3.1 短时交通流预测与神经网络12-14
• 1.3.2 深度学习与卷积神经网络14-16
• 1.4 论文研究内容16-17
• 1.5 论文组织结构17-18
• 第二章 相关工作18-38
• 2.1 BP神经网络18-24
• 2.1.1 人工神经元18-20
• 2.1.2 BP神经网络结构20-22
• 2.1.3 BP算法推导过程22-24
• 2.2 卷积神经网络24-31
• 2.2.1 卷积神经网络结构特点24-28
• 2.2.2 卷积神经网络训练过程28-31
• 2.3 模糊C均值聚类31-33
• 2.4 田口试验设计33-37
• 2.5 本章小结37-38
• 第三章 流量聚类与BP神经网络的组合预测38-53
• 3.1 问题分析38-41
• 3.1.1 CITFF算法简介38-39
• 3.1.2 CITFF算法存在的问题39-40
• 3.1.3 CITFF算法改进思路40-41
• 3.2 流量聚类与BP神经网络的组合模型设计41-45
• 3.2.1 BP神经网络预测模型42-44
• 3.2.2 组合预测模型44-45
• 3.3 短时交通流量预测算法TFBCM设计45-49
• 3.4 实验评估与分析49-52
• 3.4.1 实验数据处理49-50
• 3.4.2 模式划分50-51
• 3.4.3 预测效果对比51-52
• 3.5 本章小结52-53
• 第四章 预测模型的结构参数优化53-64
• 4.1 引言53-55
• 4.2 组合预测模型改进55-57
• 4.2.1 田口试验设计法中的各项设定55-57
• 4.2.2 改进后的组合预测模型57
• 4.3 短时交通流量预测算法TFBCM2设计57-58
• 4.4 实验评估与分析58-63
• 4.4.1 与TFBCM算法的对比59-60
• 4.4.2 与遗传算法的对比60-63
• 4.5 本章小结63-64
• 第五章 基于卷积神经网络的短时交通流量预测64-78
• 5.1 引言64-66
• 5.2 卷积神经网络结构设计66-70
• 5.2.1 输入数据的结构66-67
• 5.2.2 子采样层节点的残差计算67-69
• 5.2.3 卷积神经网络预测模型的结构69-70
• 5.3 短时交通流量预测算法CNNTFF设计70-74
• 5.4 实验评估与分析74-77
• 5.4.1 基于单一模型算法的预测效果74-76
• 5.4.2 各算法的综合预测效果76-77
• 5.5 本章小结77-78
• 第六章 总结与展望78-80
• 6.1 总结78-79
• 6.2 展望79-80
• 参考文献80-84
• 附录1 攻读硕士学位期间撰写的论文84-85
• 附录2 攻读硕士学位期间申请的专利85-86
• 附录3 攻读硕士学位期间参加的科研项目86-87
• 致谢87

【相似文献】

中国期刊全文数据库 前10条

1 潘昱,张晶;基于城市路口相关性的交通流量预测[J];交通与计算机;2005年01期

2 刘世超;基于极大似然估计的路段交通流量预测[J];西南交通大学学报;2005年02期

3 刘长虹;陈志恒;黄虎;;城市短期交通流量预测方法的探讨[J];现代交通技术;2006年01期

4 侯明善;兰云;;基于自适应模糊神经推理网络的交通流量预测研究[J];机械科学与技术;2006年10期

5 胡丹;肖建;车畅;;提升小波支持向量机在交通流量预测中的应用[J];计算机应用研究;2007年08期

6 姚亚夫;刘侃;;基于遗传神经网络的交通流量预测研究[J];公路与汽运;2007年06期

7 范鲁明;贺国光;;改进非参数回归在交通流量预测中的应用[J];重庆交通大学学报(自然科学版);2008年01期

8 丛新宇;虞慧群;范贵生;;基于组合模型的交通流量预测方法[J];华东理工大学学报(自然科学版);2011年03期

9 刘长虹;黄虎;陈力华;吴伟蔚;;基于随机过程下的交通流量预测方法[J];上海工程技术大学学报;2006年02期

10 犹勇;;组合预测方法在城市交通流量预测中的运用[J];重庆工商大学学报(自然科学版);2007年02期

中国重要会议论文全文数据库 前7条

1 庞清乐;;基于蚁群算法的交通流量预测[A];2009年中国智能自动化会议论文集（第三分册）[C];2009年

2 张勇;关伟;;基于多变量序列重构的交通流量预测[A];2008第四届中国智能交通年会论文集[C];2008年

3 刘强;朱敏;王小维;邱震宇;;灰色神经模型在空中交通流量预测中的应用[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 刘智勇;徐今强;李水友;;城市交通流量的混沌时间序列预测[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

5 周申培;严新平;;信息融合技术在交通流量预测中的应用[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

6 于江波;陈后金;;基于分段学习的BP神经网络的交通流量预测[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

7 蒋海峰;魏学业;张屹;;基于加权一阶局域法的短时交通流量预测的研究[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

中国硕士学位论文全文数据库 前10条

1 胡孟杰;基于流量预测的交通信号控制技术研究[D];浙江工业大学;2014年

2 慕伟;城市道路交通流预测与路径选择研究[D];浙江工业大学;2015年

3 林海涛;面向短时交通流量预测的神经网络算法研究[D];南京邮电大学;2016年

4 张仁初;宁波港船舶交通流量预测研究[D];大连海事大学;2008年

5 朱文姗;拟建高速公路交通流量预测系统的设计与实现[D];中国科学院大学（工程管理与信息技术学院）;2014年

6 李波;基于小波分析和遗传神经网络的短时城市交通流量预测研究[D];北京交通大学;2012年

7 何伟;模糊神经网络在交通流量预测中的应用研究[D];兰州交通大学;2012年

8 吴凯;基于神经网络的短时交通流量预测研究[D];南京邮电大学;2013年

9 范鲁明;基于非参数回归的短时交通流量预测[D];天津大学;2007年

10 吴杰;支持短时交通流量预测的概率图模型构建与推理[D];云南大学;2012年

，

本文编号：1126456