欢迎来到天天文库
浏览记录
ID:34739561
大小:7.38 MB
页数:62页
时间:2019-03-10
《基于动态模糊神经网络交通流预测》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、硕士学位论文基于动态模糊神经网络的交通流预测ResearchonPredictionofTrafficFlowBasedonDynamic-·FuzzyNeuralNetworks作者姓名:学科、专业:学号:指导教师:完成日期:兰州交通大学LanzhouJiaotongUniversity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和取得的研究成果,除了文中特别加以标注和致谢之处外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含获得兰趟銮通太堂或其他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
2、何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名:绑同春签字日期≥0J弓年衫月易日学位论文版权使用授权书本学位论文作者完全了解兰翅銮逼太堂有关保留、使用学位论文的规定。特授权兰州交通太堂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,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)导师签名:签字日期:巷亭+fg年日乡旱印衣帅同p月南场厂D名年签多者b储勘文期沦日位字学签兰州交通大学硕士学位论文摘要交通流预测是智能交通系统的一个重
3、要研究领域,准确实时的交通流预测是对交通信号实施实时控制的重要前提,也有利于诱导交通流向。如何改进交通流预测方法,提高预测精度是研究的热点。神经网络、模糊系统等计算智能方法已经被广泛应用于交通流量预测中,并取得了较好的预测效果。本文结合神经网络和模糊系统的优点,进一步研究了动态模糊神经网络(Dynamic.FuzzyNeuralNetworks,D.FNN)方法的交通流预测。将其与混沌理论相结合,应用于交通流时间序列和视频网络流时间序列中,分析比较了基于神经网络方法和自适应神经模糊推理系统(AdaptiveNeuralFuzzyInferenceS
4、ystem.ANFIS)方法预测模型的预测性能,结果表明了该方法的有效性。本文研究内容包括以下几个方面:(1)在神经网络和模糊逻辑理论的基础上研究了ANFIS方法:进一步研究了D.FNN方法及其D.FNN方法的学习算法。(2)将混沌理论引入交通流预测中。研究了混沌相空间重构理论,在交通流动力学特性可预测性分析的原理上,通过计算最大Lyapunov指数来判断交通流时间序列的混沌特性:研究了时间序列嵌入维数和时间延迟参数的选取,使用Cao方法确定嵌入维数,使用互信息法确定时间延迟。(3)首先研究了D.FNN方法对Mackey-Glass混沌时间序列进行
5、多步预测的预测性能,与前馈神经网络方法和ANFIS方法建立的多步预测模型进行了分析比较。然后针对北京某监测站和英国交通局网上公布的短时交通流以及德国维尔茨堡大学公布的视频流,将D.FNN预测模型应用于这三组时间序列进行预测实验,分析预测效果;与前馈神经网络方法和ANFIS方法所构建的预测模型进行性能比较;研究预测模型在不同嵌入维数和时间延迟下的预测性能。实验结果表明,基于D.FNN的预测模型对混沌时间序列预测是有效的;在嵌入维数和时间延迟下构建的D.FNN和ANFIS预测模型明显比前馈神经网络预测模型在其预测精度上好。由此证明了,D.FNN方法在交
6、通流时间序列和视频流时间序列预测中是有效的。关键词:交通流量;预测;动态模糊神经网络;混沌论文类型:应用基础研究基于动态模糊神经网络的交通流预测AbstractTramCflowpredictioniSallimportantfieldwithinintelligenttransportationsystem.menaccurateandreal-time,tr髓CflowpredictionSerVeSasanimportantprerequisitetakingcontrolOVer订af!fiCsignal.Besides,itiSalsoc
7、onducivetoinducingtrafficflowsinthiscase.Therefore,howtoimprove仃amCflowpredictionmethodsandimproveitsaccuracyhasbecomeahotspotresearch.ItiSknownthatcomputationintelligentmethodslikeneuralnetworkandfuzzysystemhavebeenwidelyusedintrafficflowpredictionandbywhichbetterpredictionef
8、fectshavebeengained.Byreferencetotheadvantagesofbothneuralnet
此文档下载收益归作者所有