基于改進神經網絡的短時交通流預測研究.pdf

1、短時交通流預測是交通控制和誘導的重要前提，其預測性能的好壞是交通流誘導系統(tǒng)能否有效實現的關鍵，本文分析了交通流的基本特點、主要參數及采集技術，并選取了其中的交通流量作為預測對象。交通流通常表現出非線性、隨機性、不確定性及模糊性等特點，而神經網絡恰好具有高度的非線性映射能力、良好的學習能力及自適應能力，因此，本文將著重研究基于神經網絡的短時交通流預測方法。在神經網絡中，BP神經網絡作為前饋神經網絡的核心部分而得到了廣泛的應用，但它仍然存在

2、一些缺點，如對初值敏感、易陷入局部極小值和網絡結構多利用經驗確定等。為此，本文將針對這些缺點對BP神經網絡進行改進，并將改進后的算法用于短時交通流預測。
　　首先，針對BP神經網絡對初值敏感且易陷入局部極小值的缺點，本文在分析現有蟻群算法與結構已知的BP神經網絡的融合算法基礎上，進一步對基本融合算法進行改進，主要工作包括：(1)對歷史交通流數據進行預處理并根據預處理后的數據確定神經網絡的結構；(2)建立蟻群算法與BP神經網絡的基本

3、融合模型，分析蟻群算法的參數對算法產生的影響；(3)將搜索空間均勻劃分，同時利用BP算法進行局部搜索來對基本融合算法進行改進，從而提高螞蟻找到解的質量。
　　其次，針對神經網絡結構多利用經驗確定的不足，本文提出了一種利用蟻群算法同時優(yōu)化神經網絡的結構、權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)的網絡結構，并同時給出一組網絡的初始權值和閾值，然后將該算法用于短時交通流預測。
　　最后，本文利用MATLAB7.