隨著經(jīng)濟(jì)水平的快速增長(zhǎng),交通對(duì)人們的生產(chǎn)生活以及整個(gè)城市發(fā)展的重要程度已經(jīng)愈來(lái)愈深。由于人們的出行需求日益增多,對(duì)交通的依賴亦隨之增強(qiáng),使城市機(jī)動(dòng)車(chē)保有量達(dá)到過(guò)飽和,進(jìn)而造成城市交通擁堵,這不僅會(huì)使城市交通網(wǎng)線路癱瘓,同時(shí)也會(huì)造成嚴(yán)重的大氣污染。針對(duì)上述問(wèn)題,智能交通系統(tǒng)中的短時(shí)交通流預(yù)測(cè)能高效預(yù)測(cè)出路網(wǎng)中的車(chē)流量,為出行者提供實(shí)時(shí)的路況信息,從而緩解交通擁堵。本文通過(guò)對(duì)國(guó)內(nèi)外短時(shí)交通流預(yù)測(cè)以及群體智能優(yōu)化算法原理的研究,提出了一種改進(jìn)狼群算法與BP循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合的組合模型(IWPA-BPRNN),致力于加快算法的收斂速度以及減小交通流的預(yù)測(cè)誤差。本文首先選擇美國(guó)明尼蘇達(dá)大學(xué)交通運(yùn)輸研究實(shí)驗(yàn)室所收集的真實(shí)交通流數(shù)據(jù),作為本研究的數(shù)據(jù)源。實(shí)驗(yàn)前期通過(guò)比較,選取較優(yōu)質(zhì)的、更能體現(xiàn)交通流數(shù)據(jù)特性的一組數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),并對(duì)該組數(shù)據(jù)進(jìn)行加和處理、異常數(shù)據(jù)的補(bǔ)充以及正反歸一化的預(yù)處理,整理為本文想要的,易于進(jìn)行實(shí)驗(yàn)研究的數(shù)據(jù)形式。在改進(jìn)狼群算法(Improved Wolf Pack Algorithm,IWPA)中,由于人工狼在尋優(yōu)過(guò)程中容易過(guò)早陷入局部最優(yōu)位置,為了改進(jìn)這一缺陷,對(duì)影響人工狼游走行為的參數(shù)做出適當(dāng)?shù)恼{(diào)整,并改進(jìn)人工狼在智能捕食行為中的奔襲步長(zhǎng)與圍攻步長(zhǎng),從而達(dá)到算法前期更快收斂的目的。狼群算法結(jié)構(gòu)較復(fù)雜,在迭代后期可能出現(xiàn)收斂速度明顯下降甚至無(wú)法尋得最優(yōu)解等問(wèn)題,因此本文提出BP循環(huán)神經(jīng)網(wǎng)絡(luò)模型與狼群算法形成互補(bǔ)。BP神經(jīng)網(wǎng)絡(luò)有誤差反向傳播尋優(yōu)的特點(diǎn),循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)有能充分考慮信號(hào)與信號(hào)間相互關(guān)聯(lián)的優(yōu)點(diǎn)。在預(yù)測(cè)過(guò)程中,前期利用改進(jìn)狼群算法高效率尋優(yōu),后期利用BP循環(huán)神經(jīng)網(wǎng)絡(luò)誤差反向傳播尋優(yōu),能有效解決狼群算法后期遇到的種種問(wèn)題,并提高預(yù)測(cè)精度。最后借助MATLAB平臺(tái)以及相應(yīng)的代碼,將模型實(shí)現(xiàn),并應(yīng)用選取的數(shù)據(jù)驗(yàn)證模型的性能。通過(guò)將IWPA-BPRNN模型與無(wú)狼群算法的BPRNN模型預(yù)測(cè)結(jié)果進(jìn)行比較,分析得出IWPA-BPRNN模型預(yù)測(cè)效果更好,具有收斂速度快和預(yù)測(cè)精度高的優(yōu)點(diǎn)。
【學(xué)位單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：U491.1
【部分圖文】：

來(lái)建立出模型中精良的映射關(guān)系，再將這些映射關(guān)系與相似的數(shù)據(jù)特征相結(jié)合，??便完成了神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)［５２】。??神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)是神經(jīng)元，它的模型大致如圖２－１所示。??￣??々Ｗ?，?＼＼??Ｉ?＼?＼??…丨?Ｚ丨＜９?Ｉ?？?Ｊ’??Ａ?＼?）??，一、、＇?＼?／??．Ｖ；??圖２－１神經(jīng)元模型圖??Ｆｉｇ．２－１?Ｆｉｇｕｒｅ?ｏｆ?Ｎｅｕｒａｌ?ｍｏｄｅｌ??其中，Ｘ與ＰＦ分別代表神經(jīng)兀中的各個(gè)輸入信號(hào)與每個(gè)輸入信號(hào)在輸入進(jìn)神??經(jīng)元時(shí)所各自對(duì)應(yīng)的權(quán)重值，０則代表為整個(gè)神經(jīng)元的閾值，通過(guò)整合全部的輸入??信號(hào)進(jìn)行求和與其閾值比較，當(dāng)整合的數(shù)值大于閾值的數(shù)值時(shí)，神經(jīng)元便通過(guò)神??經(jīng)網(wǎng)絡(luò)的特性函數(shù)處理輸出信號(hào)。神經(jīng)網(wǎng)絡(luò)輸入信息和輸出結(jié)果的關(guān)系可由下述??公式（２－１）和（２－２）表示。??少＝／⑷?（２－１）??Ａ?＝?ＹｊＷｉＸｉ－６?（２－２）??；＝１??在神經(jīng)網(wǎng)絡(luò)的特性函數(shù)中，最理想的主要是越階函數(shù)，也稱(chēng)為符號(hào)函數(shù)（如??１０??

對(duì)預(yù)測(cè)前的數(shù)據(jù)樣本進(jìn)行前期處理，包括數(shù)據(jù)去噪和正反歸一化處理等；其次，??將數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)中使其進(jìn)入訓(xùn)練過(guò)程直至達(dá)到收斂；最后，使用訓(xùn)練后的??模型完成進(jìn)一步的研究。ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖２－２所示。??廠＼?＾?廠、．＇?ｍ?／?一、??Ｘ｝?、？?＼、＼?／?、一？??＼＿＞＜／?ｘｏ＜ｒ／?＼???認(rèn)?＇ｘ１￣＼?．－＾＂ｘ?￣￣＾?＇）?＾??ｘｎ?——．；Ｙ?＜?ｒ??？、一?ｙ?、、一，?、一乂??輸入層?隱含層?輸出層??圖２－２?ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ２．２?Ｆｉｇｕｒｅ?ｏｆ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ＇ｓ?ｓｔｒｕｃｔｕｒｅ??圖中，Ｘ代表輸入至神經(jīng)網(wǎng)絡(luò)中的各個(gè)信號(hào)，”則代表網(wǎng)絡(luò)中輸入層的輸入節(jié)??１１??

降原理使網(wǎng)絡(luò)的輸出值誤差不斷減小，直至滿足誤差條件。因此ＢＰ神經(jīng)網(wǎng)絡(luò)模型??便是一個(gè)沒(méi)有得到精確結(jié)果或沒(méi)有達(dá)到最大訓(xùn)練次數(shù)，不斷進(jìn)行權(quán)值調(diào)整的模型，??其訓(xùn)練的流程如圖２－３所示。??開(kāi)始?：??輸入訓(xùn)練集和學(xué)習(xí)率??將權(quán)重以及閾值隨機(jī)初始為０－１內(nèi)的數(shù)??ｉ??根據(jù)設(shè)置參數(shù)值計(jì)算輸出?？??ｉ?￣??計(jì)算輸出層神經(jīng)元的梯度項(xiàng)??ｉ?一??反向傳播Ｈ－算隱含層梯度項(xiàng)??完成對(duì)權(quán)重以及閾值的更新??＿?＂?－?－－上、否??－?是否滿足訓(xùn)練條件??輸出權(quán)重和閾值確定的ＢＰ神經(jīng)網(wǎng)絡(luò)??ｉ??（?結(jié)束?）??圖２－３?ＢＰ神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖??Ｆｉｇ２．３?Ｆｉｇｕｒｅ?ｏｆ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｔｒａｉｎｉｎｇ?ｆｌｏｗ??２．１．３循環(huán)神經(jīng)網(wǎng)絡(luò)??盡管ＢＰ神經(jīng)網(wǎng)絡(luò)己廣泛應(yīng)用到各個(gè)領(lǐng)域的研究中，但不可否認(rèn)的是，ＢＰ神??經(jīng)網(wǎng)絡(luò)也存在一些缺點(diǎn)，如收斂速度較慢、存在局部最小化問(wèn)題和結(jié)構(gòu)不確定問(wèn)??題等。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)畢竟結(jié)構(gòu)較為簡(jiǎn)單，很難用其解決相對(duì)復(fù)雜的問(wèn)題，人們?yōu)??了解決這些問(wèn)題
【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 陳婧敏;;基于KNN回歸的短時(shí)交通流預(yù)測(cè)[J];微型電腦應(yīng)用;2015年09期

2 盧建中;程浩;;改進(jìn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年01期

3 沈永增;閆紀(jì)如;王煒;;基于混沌粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J];計(jì)算機(jī)應(yīng)用與軟件;2014年06期

4 金玉婷;余立建;;基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J];交通科技與經(jīng)濟(jì);2014年01期

5 傅貴;韓國(guó)強(qiáng);逯峰;許子鑫;;基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)模型[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年09期

6 吳虎勝;張鳳鳴;吳廬山;;一種新的群體智能算法——狼群算法[J];系統(tǒng)工程與電子技術(shù);2013年11期

相關(guān)碩士學(xué)位論文 前10條

1 寇飛;自適應(yīng)人工魚(yú)群算法BP循環(huán)神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)研究[D];北京交通大學(xué);2018年

2 楊客;遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在連云港港口吞吐量預(yù)測(cè)中的應(yīng)用研究[D];深圳大學(xué);2017年

3 齊璐;基于改進(jìn)狼群算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)[D];西南交通大學(xué);2017年

4 吳蕊蕊;基于精英策略的改進(jìn)狼群算法在城市公交路線問(wèn)題中的研究[D];吉林大學(xué);2017年

5 蔣肖;基于混沌理論和數(shù)據(jù)融合的短時(shí)交通流預(yù)測(cè)[D];重慶郵電大學(xué);2016年

6 冷子文;基于混沌和改進(jìn)LSSVM的短時(shí)交通流預(yù)測(cè)[D];青島大學(xué);2014年

7 馮巳洋;基于DE-WNN模型的交通流預(yù)測(cè)方法研究[D];西南交通大學(xué);2013年

8 趙娟;基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)研究[D];湘潭大學(xué);2012年

9 陳浩;基于卡爾曼濾波和小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)研究[D];蘭州交通大學(xué);2011年

10 徐永俊;基于混沌和SVR的短時(shí)交通流預(yù)測(cè)方法研究[D];西南交通大學(xué);2011年

本文編號(hào)：2891509