基于神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測方法的研究與應(yīng)用.pdf

1、近年來，短時交通流預(yù)測已經(jīng)成為智能交通系統(tǒng)(ITS)研究的熱點領(lǐng)域。短時交通流預(yù)測是解決交通控制系統(tǒng)和交通誘導(dǎo)系統(tǒng)等領(lǐng)域問題的關(guān)鍵。研究短時交通流預(yù)測的理論和方法，從而實現(xiàn)比較準(zhǔn)確的預(yù)測未來15分鐘甚至更短時間的道路交通狀況，這對于緩解城市交通擁堵、避免社會資源浪費有著重要的意義和應(yīng)用價值。
　　 論文以城市中快速路單斷面的交通流量為研究對象，考慮該斷面過去若干時刻的交通流量，分別建立了基于小波神經(jīng)網(wǎng)絡(luò)和基于Elman神經(jīng)網(wǎng)絡(luò)的

2、短時交通流預(yù)測模型。首先，針對小波神經(jīng)網(wǎng)絡(luò)中存在的許多問題，如網(wǎng)絡(luò)收斂慢、易陷入局部極小點、容易引起震蕩效應(yīng)，論文對傳統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程進行了一些改進，即在權(quán)值和閾值的調(diào)整過程中引入了附加動量項。最后，網(wǎng)絡(luò)在修正其權(quán)值和閾值時引入附加動量項，使得其不僅考慮了誤差在梯度上的作用，而且考慮了在誤差曲面上的變化趨勢的影響。仿真實驗表明:動量項的引入不僅減小了學(xué)習(xí)過程的震蕩趨勢，而且比較明顯的改善了網(wǎng)絡(luò)的收斂性，訓(xùn)練效果也比較理想。

3、>　　 針對現(xiàn)有文獻(xiàn)對利用Elman神經(jīng)網(wǎng)絡(luò)進行交通流預(yù)測，由于網(wǎng)絡(luò)易陷入局部最小值而導(dǎo)致預(yù)測精度不高的問題，提出了一種基于遺傳算法的Elman神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測模型。該模型首先采用遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，種群中每個個體都包含了網(wǎng)絡(luò)所有的權(quán)值和閾值，每個個體可通過適應(yīng)度函數(shù)計算個體的適應(yīng)度值，遺傳算法通過選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對應(yīng)的個體。最后，Elman神經(jīng)網(wǎng)絡(luò)預(yù)測用遺傳算法得到的最優(yōu)個體對網(wǎng)絡(luò)