基于混沌和PSO神經(jīng)網(wǎng)絡的短時交通流預測研究.pdf

1、交通流預測是智能交通系統(tǒng)的一個重要研究領域?？焖贉蚀_的交通流預測是智能交通系統(tǒng)中實時交通信號控制、交通分配、路徑誘導、自動導航、事故檢測等應用的重要前提和基礎。然而，交通系統(tǒng)是一個由人、車、路等多因素組成的復雜系統(tǒng)，具有高度的復雜性、非線性、不確定性等特征，對交通流進行準確、實時、可靠地預測成為一項重要的研究課題。
　　 本文根據(jù)基于交通流動力學特性的可預測性分析原理和混沌時間序列分析理論，在分析美國加州PeMS真實交通數(shù)據(jù)的基

2、礎上，將相空間重構技術應用于交通流預測，以期發(fā)現(xiàn)蘊藏在交通流數(shù)據(jù)中的內在規(guī)律，從而提高交通流預測的精度。具體包括利用C-C方法確定相空間重構所需的時間延遲τ和嵌入維數(shù)m；對交通流時間序列數(shù)據(jù)進行相空間重構后，用小數(shù)據(jù)量法計算出大于零的非線性混沌特征量Lyapunov指數(shù)，驗證了交通混沌的存在。交通流數(shù)據(jù)具有高度的復雜性和非線性特性，神經(jīng)網(wǎng)絡具有極強的非線性處理能力、自組織、自適應和自學習能力，是交通流預測的有效方法。粒子群優(yōu)化(Part

3、icleSwarm Optimization，PSO)算法作為一種新興的進化算法，其收斂速度快、魯棒性高、全局搜索能力強，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)絡的訓練算法，將粒子群優(yōu)化算法與人工神經(jīng)網(wǎng)絡融合構建PSO神經(jīng)網(wǎng)絡。針對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重、速度限制、收斂特性、搜索能力等方面改進了基本PSO算法，綜合改進的算法提高了PSO神經(jīng)網(wǎng)絡的收斂速度和訓練精度以及