發(fā)布時間：2020-11-20 13:54

　　 隨著經(jīng)濟水平的快速增長,交通對人們的生產(chǎn)生活以及整個城市發(fā)展的重要程度已經(jīng)愈來愈深。由于人們的出行需求日益增多,對交通的依賴亦隨之增強,使城市機動車保有量達到過飽和,進而造成城市交通擁堵,這不僅會使城市交通網(wǎng)線路癱瘓,同時也會造成嚴重的大氣污染。針對上述問題,智能交通系統(tǒng)中的短時交通流預測能高效預測出路網(wǎng)中的車流量,為出行者提供實時的路況信息,從而緩解交通擁堵。本文通過對國內外短時交通流預測以及群體智能優(yōu)化算法原理的研究,提出了一種改進狼群算法與BP循環(huán)神經(jīng)網(wǎng)絡結合的組合模型(IWPA-BPRNN),致力于加快算法的收斂速度以及減小交通流的預測誤差。本文首先選擇美國明尼蘇達大學交通運輸研究實驗室所收集的真實交通流數(shù)據(jù),作為本研究的數(shù)據(jù)源。實驗前期通過比較,選取較優(yōu)質的、更能體現(xiàn)交通流數(shù)據(jù)特性的一組數(shù)據(jù)作為實驗數(shù)據(jù),并對該組數(shù)據(jù)進行加和處理、異常數(shù)據(jù)的補充以及正反歸一化的預處理,整理為本文想要的,易于進行實驗研究的數(shù)據(jù)形式。在改進狼群算法(Improved Wolf Pack Algorithm,IWPA)中,由于人工狼在尋優(yōu)過程中容易過早陷入局部最優(yōu)位置,為了改進這一缺陷,對影響人工狼游走行為的參數(shù)做出適當?shù)恼{整,并改進人工狼在智能捕食行為中的奔襲步長與圍攻步長,從而達到算法前期更快收斂的目的。狼群算法結構較復雜,在迭代后期可能出現(xiàn)收斂速度明顯下降甚至無法尋得最優(yōu)解等問題,因此本文提出BP循環(huán)神經(jīng)網(wǎng)絡模型與狼群算法形成互補。BP神經(jīng)網(wǎng)絡有誤差反向傳播尋優(yōu)的特點,循環(huán)神經(jīng)網(wǎng)絡(RNN)有能充分考慮信號與信號間相互關聯(lián)的優(yōu)點。在預測過程中,前期利用改進狼群算法高效率尋優(yōu),后期利用BP循環(huán)神經(jīng)網(wǎng)絡誤差反向傳播尋優(yōu),能有效解決狼群算法后期遇到的種種問題,并提高預測精度。最后借助MATLAB平臺以及相應的代碼,將模型實現(xiàn),并應用選取的數(shù)據(jù)驗證模型的性能。通過將IWPA-BPRNN模型與無狼群算法的BPRNN模型預測結果進行比較,分析得出IWPA-BPRNN模型預測效果更好,具有收斂速度快和預測精度高的優(yōu)點。
【學位單位】：北京交通大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U491.1
【部分圖文】：

來建立出模型中精良的映射關系，再將這些映射關系與相似的數(shù)據(jù)特征相結合，??便完成了神經(jīng)網(wǎng)絡模型的預測［５２】。??神經(jīng)網(wǎng)絡的基礎是神經(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)兀中的各個輸入信號與每個輸入信號在輸入進神??經(jīng)元時所各自對應的權重值，０則代表為整個神經(jīng)元的閾值，通過整合全部的輸入??信號進行求和與其閾值比較，當整合的數(shù)值大于閾值的數(shù)值時，神經(jīng)元便通過神??經(jīng)網(wǎng)絡的特性函數(shù)處理輸出信號。神經(jīng)網(wǎng)絡輸入信息和輸出結果的關系可由下述??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)絡的特性函數(shù)中，最理想的主要是越階函數(shù)，也稱為符號函數(shù)（如??１０??

對預測前的數(shù)據(jù)樣本進行前期處理，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)絡中使其進入訓練過程直至達到收斂；最后，使用訓練后的??模型完成進一步的研究。ＢＰ神經(jīng)網(wǎng)絡結構如圖２－２所示。??廠＼?＾?廠、．＇?ｍ?／?一、??Ｘ｝?、？?＼、＼?／?、一？??＼＿＞＜／?ｘｏ＜ｒ／?＼???認?＇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)絡結構圖??Ｆｉｇ２．２?Ｆｉｇｕｒｅ?ｏｆ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ＇ｓ?ｓｔｒｕｃｔｕｒｅ??圖中，Ｘ代表輸入至神經(jīng)網(wǎng)絡中的各個信號，”則代表網(wǎng)絡中輸入層的輸入節(jié)??１１??

降原理使網(wǎng)絡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)絡模型??便是一個沒有得到精確結果或沒有達到最大訓練次數(shù)，不斷進行權值調整的模型，??其訓練的流程如圖２－３所示。??開始?：??輸入訓練集和學習率??將權重以及閾值隨機初始為０－１內的數(shù)??ｉ??根據(jù)設置參數(shù)值計算輸出?？??ｉ?￣??計算輸出層神經(jīng)元的梯度項??ｉ?一??反向傳播Ｈ－算隱含層梯度項??完成對權重以及閾值的更新??＿?＂?－?－－上、否??－?是否滿足訓練條件??輸出權重和閾值確定的ＢＰ神經(jīng)網(wǎng)絡??ｉ??（?結束?）??圖２－３?ＢＰ神經(jīng)網(wǎng)絡訓練流程圖??Ｆｉｇ２．３?Ｆｉｇｕｒｅ?ｏｆ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｔｒａｉｎｉｎｇ?ｆｌｏｗ??２．１．３循環(huán)神經(jīng)網(wǎng)絡??盡管ＢＰ神經(jīng)網(wǎng)絡己廣泛應用到各個領域的研究中，但不可否認的是，ＢＰ神??經(jīng)網(wǎng)絡也存在一些缺點，如收斂速度較慢、存在局部最小化問題和結構不確定問??題等。傳統(tǒng)神經(jīng)網(wǎng)絡畢竟結構較為簡單，很難用其解決相對復雜的問題，人們?yōu)??了解決這些問題
【參考文獻】

相關期刊論文 前6條

1 陳婧敏;;基于KNN回歸的短時交通流預測[J];微型電腦應用;2015年09期

2 盧建中;程浩;;改進GA優(yōu)化BP神經(jīng)網(wǎng)絡的短時交通流預測[J];合肥工業(yè)大學學報(自然科學版);2015年01期

3 沈永增;閆紀如;王煒;;基于混沌粒子群優(yōu)化小波神經(jīng)網(wǎng)絡的短時交通流預測[J];計算機應用與軟件;2014年06期

4 金玉婷;余立建;;基于小波神經(jīng)網(wǎng)絡的短時交通流預測[J];交通科技與經(jīng)濟;2014年01期

5 傅貴;韓國強;逯峰;許子鑫;;基于支持向量機回歸的短時交通流預測模型[J];華南理工大學學報(自然科學版);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;2013年11期

相關碩士學位論文 前10條

1 寇飛;自適應人工魚群算法BP循環(huán)神經(jīng)網(wǎng)絡短時交通流預測研究[D];北京交通大學;2018年

2 楊客;遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡在連云港港口吞吐量預測中的應用研究[D];深圳大學;2017年

3 齊璐;基于改進狼群算法的小波神經(jīng)網(wǎng)絡短時交通流預測[D];西南交通大學;2017年

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

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

6 冷子文;基于混沌和改進LSSVM的短時交通流預測[D];青島大學;2014年

7 馮巳洋;基于DE-WNN模型的交通流預測方法研究[D];西南交通大學;2013年

8 趙娟;基于改進小波神經(jīng)網(wǎng)絡的短時交通流預測研究[D];湘潭大學;2012年

9 陳浩;基于卡爾曼濾波和小波神經(jīng)網(wǎng)絡的短時交通流預測研究[D];蘭州交通大學;2011年

10 徐永俊;基于混沌和SVR的短時交通流預測方法研究[D];西南交通大學;2011年

本文編號：2891509