基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測研究.pdf

1、短時交通流預(yù)測是交通控制和誘導(dǎo)的重要前提，其預(yù)測性能的好壞是交通流誘導(dǎo)系統(tǒng)能否有效實(shí)現(xiàn)的關(guān)鍵，本文分析了交通流的基本特點(diǎn)、主要參數(shù)及采集技術(shù)，并選取了其中的交通流量作為預(yù)測對象。交通流通常表現(xiàn)出非線性、隨機(jī)性、不確定性及模糊性等特點(diǎn)，而神經(jīng)網(wǎng)絡(luò)恰好具有高度的非線性映射能力、良好的學(xué)習(xí)能力及自適應(yīng)能力，因此，本文將著重研究基于神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測方法。在神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)作為前饋神經(jīng)網(wǎng)絡(luò)的核心部分而得到了廣泛的應(yīng)用，但它仍然存在

2、一些缺點(diǎn)，如對初值敏感、易陷入局部極小值和網(wǎng)絡(luò)結(jié)構(gòu)多利用經(jīng)驗(yàn)確定等。為此，本文將針對這些缺點(diǎn)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，并將改進(jìn)后的算法用于短時交通流預(yù)測。
　　首先，針對BP神經(jīng)網(wǎng)絡(luò)對初值敏感且易陷入局部極小值的缺點(diǎn)，本文在分析現(xiàn)有蟻群算法與結(jié)構(gòu)已知的BP神經(jīng)網(wǎng)絡(luò)的融合算法基礎(chǔ)上，進(jìn)一步對基本融合算法進(jìn)行改進(jìn)，主要工作包括：(1)對歷史交通流數(shù)據(jù)進(jìn)行預(yù)處理并根據(jù)預(yù)處理后的數(shù)據(jù)確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；(2)建立蟻群算法與BP神經(jīng)網(wǎng)絡(luò)的基本

3、融合模型，分析蟻群算法的參數(shù)對算法產(chǎn)生的影響；(3)將搜索空間均勻劃分，同時利用BP算法進(jìn)行局部搜索來對基本融合算法進(jìn)行改進(jìn)，從而提高螞蟻找到解的質(zhì)量。
　　其次，針對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)多利用經(jīng)驗(yàn)確定的不足，本文提出了一種利用蟻群算法同時優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值和閾值的融合算法，利用蟻群算法的全局尋優(yōu)能力找到一個較優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，并同時給出一組網(wǎng)絡(luò)的初始權(quán)值和閾值，然后將該算法用于短時交通流預(yù)測。
　　最后，本文利用MATLAB7.