智能运输系统的理论基础培训课件.pptVIP

3.3.2 短时交通信息预测理论模型体系 1）适合我国的交通流量动态预测理论模型体系的建立 b.基于高阶神经网络的交通流量预测模型的研究 由智能神经组成的网络称为高阶神经网络，具备两种智能处理能力：一种称为外部智能处理能力，以调整神经元之间的连接强度为表现形式；另一种称为内部智能处理能力，与神经元之间的连接无关，只体现在神经元的可调转函数上。高阶神经网络的信息同时存储在连接权值和转移函数中，传统的神经元是不具备信存储能力。 由于每个路段入口与出口的交通流量都受整个网络，特别是相邻路段当前的和前几个时段的交通状态的影响，为了比较准确反映路网的动态特性，本项目设计了如下的基于HGNN的交通流量自适应预测模块框架。 第六十页，共七十三页。 3.3.2 短时交通信息预测理论模型体系 b.基于高阶神经网络的交通流量预测模型的研究 基于HGNN交通流量自适应预测系统图 第六十一页，共七十三页。 3.3.2 短时交通信息预测理论模型体系 c.基于卡尔曼滤波理论的交通流量预测模型研究 Kalman于1960年提出，采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器，利用状态方程的递推性，接线性无偏最小均方误差估计准则，采用一套递推算法对该滤波器的状态变量作最佳估计，求得滤掉噪声的有用信号的最佳估计。 不仅可用于信号的滤波和估计，还可用于模型参数的估计，所以适用于交通状况的预测。