《2020年（交通运输）神经网络在短时交通量预测中的应用》由会员分享，可在线阅读，更多相关《2020年（交通运输）神经网络在短时交通量预测中的应用（41页珍藏版）》请在金锄头文库上搜索。
1、（交通运输）神经网络在短时交通量预测中的应用摘 要进入21世纪以来，人们的社会生活水平逐渐提高，随着车辆在大多数城市居民中的普及，城市交通拥堵问题恶化迅速。为切实地解决这个问题，合理地安排交通运行，提高交通设施的使用效率，必须进行交通流的合理分配以及信号灯的优化配置，准确的短时交通流量预测是解决这些问题的重要依据。近年来BP神经网络被广泛应用于预测研究。本文设计了三层BP神经网络用于短时交通流量预测。将预测日前三天同时段的交通量作为输入信号，预测当日某时段的交通量。文中用江门市区小时交通量数据进行了仿真实验，结果表明该用方法进行短时交通流量预测是可行的。最后，对预测结果的准确性进行分析和讨论。
2、关键词 短时交通流量；BP神经网络；改进；仿真；预测AbstractSince twenty-first Century, the social life level of people is increasing gradually, along with the vehicle in most city residents in the popular, city traffic congestion problem deteriorated rapidly. In order to solve this problem, arrange the transportation operat
3、ion rationally, improve the efficiency of the use of transportation facilities, optimize the allocation of a reasonable allocation to traffic flow and signal lamp, accurate traffic flow forecasting is an important basis for solving these problems.In recent years, the BP neural network has been widel
4、y used in the prediction of. This paper designs the short-term traffic flow forecasting for the three layer BP neural network. The prediction of traffic volume in three days time recently as the input signal, the traffic volume forecast at a time. With Jiangmen urban traffic volume data based on the
5、 simulation results, the results show that the method for short-term traffic flow forecasting is feasible. Finally, the accuracy of the prediction results are analyzed and discussed.Key words Short-term traffic flow BP neural network Improve Simulation Forecast 目 录摘 要IAbstractII第1章 绪论11.1 课题背景11.2 研
6、究目的和意义11.3 本文研究的主要内容11.4 本文章节安排2第2章 神经网络介绍32.1 神经网络的发展现状32.2 神经网络的结构32.2.1 人工神经元32.2.2 神经网络的结构42.3 神经网络的应用与存在问题62.3.1 神经网络的应用62.3.2 神经网络存在的问题72.4 本章小结7第3章 BP神经网络及其算法83.1 BP神经网络概述83.2 BP神经网络的结构83.3 BP算法93.3.1 BP算法的基本原理93.3.2 BP算法计算步骤133.4 BP神经网络的学习方式143.5 BP神经网络性能分析153.5.1 BP网络优点153.5.2 BP网络的不足153.5.
7、3 BP网络的缺陷与改进153.6 本章小结16第4章 短时交通流量预测网络174.1 BP神经网络的设计与训练174.1.1 BP神经网络的设计方法174.1.2 改进型训练方法184.1.3 MATLAB神经网络工具箱204.2 预测网络的设计214.2.1神经元个数214.2.2激活函数的选择224.3预测网络的训练与测试224.3.1 训练参数设置224.3.2 仿真实验234.4 仿真结果分析284.5 本章小结28结论29参考文献30致谢31附录32第1章 绪论1.1 课题背景众所周知，我国是个人口大国，随着我国社会经济的发展，越来越多的内陆人民和农村居民涌入到东南岸沿海城市谋求更
8、高的收入，再加上沿海城市本身的人口，我国的沿海城市都面临着严峻的交通拥堵问题。尤其是广州、北京等这些一线发达城市，交通问题尤为突出。合理有效的分配交通流，安排合适的行进路线，配置恰当的信号灯时间这些都是有效解决问题的方式，但是这些方法都要有人去做交通调查才可以提出相应的方案。现在对于解决交通拥堵问题，大多数都会涉及到我们熟识的智能交通系统（ITS）。智能交通系统是在较完善的道路基础设施上，将先进的信息技术、通信技术、控制技术、传感器技术以及系统综合技术有效地集成并应用于地面交通系统，从而建立起较大范围内发挥作用，实时、准确、高效的地面交通系统1。我国的智能交通目前正在高速发展中，但是比较一些发
9、达国家还略有欠缺，当前我们一直在努力构建一个高效的城市交通监控指挥平台，但是这一切都要做流量测量。我们解决很多交通问，提出各种各样的方案都要依据测量到的数据进行。1.2 研究目的和意义本次研究我们是通过对已有数据进行训练，得到稳定、小误差的BP网络，然后进行实验预测。得到结果后进行判断交通状况，这样我们就可以为交通控制中心对未来交通疏导、信号灯时差调整等决策提供依据。让交通控制中心发布各样交通信息，为市民出行提供有效的路线、时间安排，也可以合理引导各种车辆前进的路线，解决城市交通中的拥堵问题。本次研究意义：近些年来，交通拥堵给我们带来的很多的不便，交通事故也是频频发生，这给我们的经济、生活造成
10、了很多的损失。要解决这些问题都有一个前提，就是要进行交通流量的测量与预测。特别的，在解决城市交通问题方面更显得重要。通过对各种道路的短时交通流量预测，我们可以更进一步了解城市交通流的规律，能更好的去想出解决问题的办法，为我们的各种决策提供依据，创造出更多的经济效益，使得交通问题不再制约我们的城市发展。1.3 本文研究的主要内容本文的主要内容是通过学习BP神经网络，并通过网络训练，得到我们需要的BP网络，最后使用这个网络进行交通流量的预测。结合我们仿真得到的结果对比真实的状况，验证BP神经网络对于短时交通流量预测的可行性。本次预测是建立在Windows XP系统环境中的MATLAB 7.0软件基
11、础上的BP神经网络仿真。1.4 本文章节安排本文全文分为四章，章节安排如下：第1章 说明了本毕业设计的研究背景、目的、意义，以及本文的主要内容。第2章 介绍了神经网络的发展，它的结构和在各个领域的应用，阐述了神经网络存在的问题。第3章 介绍了BP神经网络的结构，BP算法的基本原理、计算步骤以及BP算法的改进方法。第4章 说明了交通流量预测实验的设计、训练和仿真测试结果，对预测结果进行了分析和讨论。第2章 神经网络介绍2.1 神经网络的发展现状神经网络的科学研究自诞生起至今已发展几十年了，它的研究历程可划分为三个阶段。第一个阶段开始于1950年到1969年之间；第二个阶段在1970年到79年之间
12、；第三个阶段为1980年到至今。三个阶段经历了高潮期低潮期高潮期的发展，如今依然是人们研究的重要话题。第一阶段开创了神经网络理论研究，提出了神经网络的学习算法基础。第二个阶段为神经网络发展的低潮期，不过这一时期人们却提出了更多的神经网络理论和模型。如：Fukushima 提出了神经认知网络理论；Grossberg 提出了自适应共振理论；Anderson提出了BSB模型；Kohenen 提出了自组织映射；Webos 提出了BP理论等。第三个阶段作为神经网络的新一轮高潮期研究，使之焕发出蓬勃生机。从1982年，来自美国的物理学家Hopfield在自己发表的文章中提出Hopfield神经网络模型开始
13、，到Hinton和Sejnowwski提出多层网络的学习算法，然后一直到Rumelhart和McCelland发表文章提出了多层网络的误差反向传播学习算法，即我们所熟知的BP算法，形成迄今为止最实用、最受大众欢迎的BP神经网络。而我国在1990年也在863高技术研究计划中为人工神经网络的研究提供科研基金，为我国神经网络的发展奠定基础2。神经网络发展到今天，由于其有应用面不够广大、精确度不够理想，可信度有待提高等原因，进入深入到认识与应用研究时期。人们期望在现有的模型上对其进行优化，提高其训练速度，还有运行精确度，同时也在理论上探索发掘新的突破点，建立新的专用/通用模型和算法。同时期的专家学者们
14、也在生物神经系统中加大研究投入，期望能够更彻底的了解到更多关于神经系统的知识。2.2 神经网络的结构2.2.1人工神经元神经元是神经系统的基本组成单位。神经元的树突非常丰富，它能充分接受其他神经元传来的兴奋。而轴突很长为兴奋的传导奠定基础，轴突末梢也非常多，能把兴奋传至其他神经元，树突作为输入端，接收信息，然后通过突触传递出去，神经元与神经元之间的连接是靠突触实现的3。它的结构如图2-1所示：图2-1 生物神经元人工神经元可以视为生物神经元的简化以及模拟，它作为网络中的基础级别的处理单元。图2-2表示神经元结构，它拥有多个输入，但仅有单输出，其输入输出关系可以描述为： (2-1) (2-2)其
15、中，xj（j=1,2,.,n）是从输入数据，i为阈值，wij表示从神经元ji的连接权值，成为作用函数。 图2-2 人工神经元结构模型以上可以看出，人工神经元其实就是反映生物神经元的基本功能3。2.2.2 神经网络的结构神经网络拥有由多个处理单元，而神经网络的信息处理功能是通过各个单元之间的互相作用来达到目标的。有多个神经元遵照我们设定的方式连接成网络，并且让网络中每一个神经元提取数据之间的共性，最后实现输入到输出的映射功能，完成网络训练。人工神经网络虽然种类繁多，样式都有各自的特点，但是总体归纳为分层型神经网络和互联型神经网络这两种形式，。分层类型的神经网络，它可以分为三种类型，其结构如图2-3、图2-4、图2-5所示，图2-3 简单前馈网络 图2-4 反馈型前馈网络 图2-5 内层互联前馈网络分层类型的神经网络是将全部的神经元功能分开到若干层之中，通常情况下会有输
