基于混沌和PSO神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測研究.pdf

1、交通流預(yù)測是智能交通系統(tǒng)的一個(gè)重要研究領(lǐng)域。快速準(zhǔn)確的交通流預(yù)測是智能交通系統(tǒng)中實(shí)時(shí)交通信號(hào)控制、交通分配、路徑誘導(dǎo)、自動(dòng)導(dǎo)航、事故檢測等應(yīng)用的重要前提和基礎(chǔ)。然而，交通系統(tǒng)是一個(gè)由人、車、路等多因素組成的復(fù)雜系統(tǒng)，具有高度的復(fù)雜性、非線性、不確定性等特征，對(duì)交通流進(jìn)行準(zhǔn)確、實(shí)時(shí)、可靠地預(yù)測成為一項(xiàng)重要的研究課題。
　　 本文根據(jù)基于交通流動(dòng)力學(xué)特性的可預(yù)測性分析原理和混沌時(shí)間序列分析理論，在分析美國加州PeMS真實(shí)交通數(shù)據(jù)的基

2、礎(chǔ)上，將相空間重構(gòu)技術(shù)應(yīng)用于交通流預(yù)測，以期發(fā)現(xiàn)蘊(yùn)藏在交通流數(shù)據(jù)中的內(nèi)在規(guī)律，從而提高交通流預(yù)測的精度。具體包括利用C-C方法確定相空間重構(gòu)所需的時(shí)間延遲τ和嵌入維數(shù)m；對(duì)交通流時(shí)間序列數(shù)據(jù)進(jìn)行相空間重構(gòu)后，用小數(shù)據(jù)量法計(jì)算出大于零的非線性混沌特征量Lyapunov指數(shù)，驗(yàn)證了交通混沌的存在。交通流數(shù)據(jù)具有高度的復(fù)雜性和非線性特性，神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線性處理能力、自組織、自適應(yīng)和自學(xué)習(xí)能力，是交通流預(yù)測的有效方法。粒子群優(yōu)化(Part

3、icleSwarm Optimization，PSO)算法作為一種新興的進(jìn)化算法，其收斂速度快、魯棒性高、全局搜索能力強(qiáng)，且不需要借助問題本身的特征信息。本文把粒子群優(yōu)化算法作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，將粒子群優(yōu)化算法與人工神經(jīng)網(wǎng)絡(luò)融合構(gòu)建PSO神經(jīng)網(wǎng)絡(luò)。針對(duì)基本粒子群算法存在的問題，本文綜合粒子群算法的研究成果從慣性權(quán)重、速度限制、收斂特性、搜索能力等方面改進(jìn)了基本PSO算法，綜合改進(jìn)的算法提高了PSO神經(jīng)網(wǎng)絡(luò)的收斂速度和訓(xùn)練精度以及