探析基于神经网络的交通量预测技术研究

《探析基于神经网络的交通量预测技术研究》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、南京理工大学硕士学位论文基于神经网络的交通量预测技术研究姓名：孟维伟申请学位级别：硕士专业：交通信息工程及控制指导教师：曹从咏20060630南京理丁大学硕士学垃论文基于神经网络的交通量预测技术研究摘要随着我国交通基础设施建设以及智能运输系统(ITS)的快速发展，交通规划与交通诱导已成为交通领域研究的热点，而交通量的准确预测是它们实现的重要基础，因此对于交通量的预测越来越受到人们的重视。本文的主要工作是把人工神经网络以及遗传算法等先进的人工智能技术应用于交通量的预测当中，为丰富交通量的预测方法做出有益的尝试。全文的主要内容如下：(1)介绍了人工

2、神经网络的发展状况，研究了人工神经网络的基本原理及相关理论，着重分析与研究了BP神经网络的基本原理和算法。(2)总结了长期交通量和短时交通量常用的预测方法，分析了它们的预测机理与不足；提出了BP网络应用于交通量预测的算法流程，着重研究了基于BP网络的长期交通量和短时交通量的具体预测方法。(3)详细地研究了BP网络交通量预测模型的建摸过程，讨论了BP网络隐含层节点数目的选择、数据的预处理等问题；针对BP算法易陷入局部极小、收敛速度慢等不足，提出了改进措施。在此基础上，分别建立了长期交通量和短时交通量的BP网络预测模型，并通过算例对预测模型进行了实

3、际应用，获得了较为理想的结果。(4)将遗传算法与8P算法相结合，利用遗传算法擅长全局搜索的优点，将其用于BP网络初始权值和闽值的优化，弥补了传统BP算法的不足：通过仿真算例验证了这种方法的合理性，使神经网络预测交通量的准确性和稳定性得到了提高．关键词：长期交通量短时交通量预测神经网络遗传算法BP算法AbstractAlongwiththerapiddevelopmentofthetransportationinfrastructureconstructionandintelligenttransportationsystem(ITS)ofour

4、country，trafficplanningandtrafficinducingbecametheresearchfocusoftrafficfielddaybyday，whichrealizedwiththeimportantbasisoftheaccuratetrafficvolumeforecasting．Thereforepeoplepaidmoreandmoreattentiontothetrafficvolumeforecasting．Themainworkofthisthesiswasapplyingtheadvancedart

5、ificialintelligencetechnologysuchasartificialneuralnetworkandgeneticarithmeticandSOontothetrafficvolumeforecasting．Itgaveausefulattempttoenrichthemethodsofthetrafficvolumeforecasting．Themaincontentwascomposedwiththefollowingparts：(1)Thedevelopmentaboutartificialneuralnetwork

6、wasintroduced，boththekeystoneandthecorrelationtheoriesaboutartificialneuralnetworkwerestudid，andthekeystoneandarithmeticabouttheBPneuralnetworkwereemphaticallyanalyzed．(2)Theforecastingmethodsforboththelong—termtrafficvolumeandtheshort—termtrafficvolumeweresumlarized，andthef

7、orecastingmechanismandtheshortagesofthemwereanalyzed；thearithmeticflowaboutBPnetworkintrafficvolumeforecastingwaspresented，theidiographicforecastingmethodsforboththelong—·termtrafficvolumeandtheshortl。termtrafficvolumebasedonBPnetworkwereemphaticallystudied．(3)Themodelingpro

8、cessofthetrafficvolumeforecastingmodeIbasedonBPnetworkwasanalyzedatlength，a