面向短时交通流量预测的神经网络算法研究-软件工程专业毕业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，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，也不包含为获得南京邮电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了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档； 允许论文被查阅和借阅；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、汇编本学位论文。本文电子文档的内容和纸质论文 的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 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 I Abstract The Intelligent Transportation System (ITS) alleviates traffic congestion by the control and guidance of traffic flow, and short-term traffic flow forecasting provides effective data support for such traffic flow control and guidance. At present, the Artificial Neural Networks (ANNs) has been widely used in short-term traffic flow forecasting, because of its superior capability in nonlinear mapping and self-learning, but the forecasting accuracy of the existing algorithms is usually hard to meet the demand of the ITS. This thesis focuses on the application of BP Neural Networks (BPNNs) and Convolutional Neural Networks (CNNs) algorithms in short-term traffic flow forecasting, and working to improve the accuracy of traffic flow forecasting and minimize the calcu