基于改进神经网络的短时交通流预测研究-通信与信息系统专业论文.docxVIP

万方数据 万方数据 独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的 说明并表示谢意。 签名： 日期： 年 月 日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 签名： 导师签名： 日期： 年 月 日 万方数据 万方数据 摘 要 摘 要 短时交通流预测是交通控制和诱导的重要前提，其预测性能的好坏是交通流 诱导系统能否有效实现的关键，本文分析了交通流的基本特点、主要参数及采集 技术，并选取了其中的交通流量作为预测对象。交通流通常表现出非线性、随机 性、不确定性及模糊性等特点，而神经网络恰好具有高度的非线性映射能力、良 好的学习能力及自适应能力，因此，本文将着重研究基于神经网络的短时交通流 预测方法。在神经网络中，BP 神经网络作为前馈神经网络的核心部分而得到了广 泛的应用，但它仍然存在一些缺点，如对初值敏感、易陷入局部极小值和网络结 构多利用经验确定等。为此，本文将针对这些缺点对 BP 神经网络进行改进，并将 改进后的算法用于短时交通流预测。 首先，针对 BP 神经网络对初值敏感且易陷入局部极小值的缺点，本文在分析 现有蚁群算法与结构已知的 BP 神经网络的融合算法基础上，进一步对基本融合算 法进行改进，主要工作包括：(1) 对历史交通流数据进行预处理并根据预处理后的 数据确定神经网络的结构；(2) 建立蚁群算法与 BP 神经网络的基本融合模型，分 析蚁群算法的参数对算法产生的影响；(3) 将搜索空间均匀划分，同时利用 BP 算 法进行局部搜索来对基本融合算法进行改进，从而提高蚂蚁找到解的质量。 其次，针对神经网络结构多利用经验确定的不足，本文提出了一种利用蚁群 算法同时优化神经网络的结构、权值和阈值的融合算法，利用蚁群算法的全局寻 优能力找到一个较优的网络结构，并同时给出一组网络的初始权值和阈值，然后 将该算法用于短时交通流预测。 最后，本文利用 MATLAB7.6 对上述方法进行仿真，在网络结构确定的情况下， 仿真结果表明，改进的融合算法优于基本融合算法，能提高蚂蚁找到解的质量； 引入交通流预测误差指标，仿真结果表明，本文所提出的第二种算法能找到具有 稳定结构的 BP 神经网络，且具有较高的预测精度。 关键词：短时交通流预测，BP 神经网络，蚁群算法，优化，融合算法 I ABSTRACT ABSTRACT Short-term traffic flow forecasting is an important prerequisite for traffic control and guidance, and its forecasting performance is the key for the traffic flow guidance system to effectively realize. This thesis analyzes the basic characteristics, the main parameters and data acquisition techniques of traffic flow, and selects traffic volume as forecast object. Traffic flow typically exhibits the characteristics of nonlinearity, randomness, uncertainty and ambiguity, and neural network just has better nonlinear mapping ability, learning ability and adaptive ability. Therefore, this paper focuses on the research of short-term traffic flow forecasting based on neural network. As the core part of feedforward neural networks, BP ne