探析基于神经网络的高速公路交通流预测

《探析基于神经网络的高速公路交通流预测》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、分类号：U4910710—20040510滚步太海硕士学位论文基于神经网络的高速公路交通流预测导师姓名职称申请学位级别论文提交日期学位授予单位孙磊许宏科教授答辩委员会主席学位论文评阅人巨永锋杨晓东赵忠杰摘要交通流诱导系统是智能交通系统领域当中一项重要的研究内容，而交通流量的预测问题则是交通流诱导系统的核心问题，因此，如何能够实时准确的预测交通流量成为诱导系统是否能够有效实现的关键问题。本文写作的目的在于将先进神经网络与交通科学中的交通工程学以及相关学科紧密结合起来。交通流是一个时变，复杂的非线性系统，对高速公

2、路的交通流模型进行了综述，对在交通控制与仿真中常用的宏观动态交通流模型进行了分析，并建立起一种改进模型，该模型能够准确描述交通流的真实行为。采用BP神经网络和其改进算法、RBF神经网络建立了交通流预测模型，通过具体的实例，使用数学工具MATLAB6．5及其神经网络工具箱，给出了相应的仿真曲线和预测结果，并与原始数据进行了比较和分析。仿真结果显示上述神经网络对于交通流量预测的效果都是比较好的，但是每种神经网络在仿真过程中时间长短，准确度程度都有区别。BP预测时间和准确度都不理想，经过采用改进算法后精度提高预测时

3、间缩短。RBF神经网络预测时间短，但是离散程度高，预测精度低。得出以下结论：BP模型在预测精度上优于RBF模型；模型在学习速度和对学习样本点的逼近性能上RBF模型优于BP模型；BP模型学习振荡，而RBF模型学习稳定；两种模型都可能在某些点存在预测延迟。总体来说，两种模型都是比较好的交通流量短期预测方法，它们的预测精度都可以满足实际交通诱导的需要。关键词：高速公路；交通流预测；BP神经网络；RBF神经网络AbstractTrafficFlowGuidanceSystem(TFGS)takeallimportan

4、tpartinIntelligentTransportationSystem(ITS)．TrafficflowpredictionisthecoreproblemintheTFGS．HowtopredicttrafficflowamountonlineisthekeysolutiontotheTFGS．ThisarticleappliedtheneuralnetworktotheTFGS．Thetrafficflowischangeableandnonlinearsystem．Firstlymakesacom

5、prehensivesurveyoffreeways’trafficflowmodels．Basedontheanalysisofsomemacroscopicdynamictrafficflowmodelsfrequentlyusedin仃afficcontrolandsimulation，thenitputforwardsanimprovedtrafficflowmodel，whichCandescribetrafficflow’Srealbehavioraccurately．Secondlyusedth

6、eBPneuralnetworkanditsimprovedalgorithm，theRBFneuralnetworkestablishthetrafficflowforecastmodel．Throughtheconcreteexample，usemathematicalinstrumentMATLAB6．5anditsneuralnetworktoolbox，hasproducedthecorrespondingsimulationcurveandtheforecastresult，andhascarri

7、edonthecomparisonandtheanalysiswiththeprimarydata．Thesimulationresultsshowthattheaboveneuralnetworksarerelativelyidealtoolsof仃afficflowprediction．Buttheseneuralnetworksaredifferentfromeachotherintermsoftimecostandaccuracyofthesimulationprocess．BPneuralnetwo

8、rkisnotsatisfyingintermsofpredictiontimeandaccuracy．Byadoptingimprovedarithmetic，theaccuracyCanbemadehigherandpredictiontimeCanbemadeshorter．RBFneuralnetworkiswithshorterpredictiontimebuthigherdispersi