基于混合智能計算的城市交通流預(yù)測研究.pdf

1、近些年來，隨著智能交通系統(tǒng)(ITS)的蓬勃發(fā)展，智能交通控制與誘導系統(tǒng)已經(jīng)成為ITS研究的熱門核心課題。而實現(xiàn)交通流誘導系統(tǒng)的關(guān)鍵問題是實時準確的交通流量預(yù)測，即如何有效地利用實時交通數(shù)據(jù)信息去滾動預(yù)測未來幾分鐘內(nèi)的交通狀況。隨著時間跨度的縮短，交通流顯示出來的非線性、時變性、不確定性越來越強，歷史平均模型、時間序列模型、卡爾曼濾波模型、非參數(shù)回歸模型、神經(jīng)網(wǎng)絡(luò)模型、組合預(yù)測模型等這些傳統(tǒng)預(yù)測模型的預(yù)測效果和預(yù)測精度不甚理想，需要提出新

2、的模型。 課題以城市道路網(wǎng)絡(luò)中典型的干線多路口路段為研究對象，深入研究了城市短時交通流的特點，將智能計算領(lǐng)域中的兩種基本方法:人工神經(jīng)網(wǎng)絡(luò)和全局優(yōu)化算法相結(jié)合，建立混合智能計算的城市交通流預(yù)測模型。在深入研究神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)之上，建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，針對其結(jié)構(gòu)特點，應(yīng)用優(yōu)化算法對其進行優(yōu)化，完成了基于混合智能計算的交通流預(yù)測。其中基于變異粒子群優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)模型的仿真效果最好，該模型在分析常規(guī)粒子群優(yōu)化算法的基礎(chǔ)上，針

3、對典型干線多路口交通流量特性，采用動態(tài)回歸神經(jīng)網(wǎng)絡(luò)，建立了交通流預(yù)測模型。該模型的自聯(lián)結(jié)構(gòu)使其對歷史狀態(tài)的數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡(luò)的加入增加了網(wǎng)絡(luò)本身處理動態(tài)信息的能力，從而達到了動態(tài)建模的目的，能夠更生動、更直接地反映系統(tǒng)的動態(tài)特性。同時引進一種帶變異因子的改進的粒子群優(yōu)化算法，對該模型的權(quán)值和承接層的初始值進行優(yōu)化，使網(wǎng)絡(luò)結(jié)構(gòu)達到最優(yōu)，該算法采用判斷最優(yōu)值為局部最優(yōu)值或全局最優(yōu)值，對局部最優(yōu)值進行變異，使其跳出局部收斂范圍，從而

4、解決了常規(guī)粒子群算法易陷入局部極小值，產(chǎn)生“早熟”的缺陷問題。 利用濟南東西方向主干道-經(jīng)十路的實測數(shù)據(jù)，進行間隔為5min的短時交通流量預(yù)測。其中，取一多路口路段為研究對象，建立了該路段某時間段內(nèi)的流量、速度、占有率數(shù)據(jù)庫。通過Matlab軟件編程對建立的模型進行仿真，并與多種前向型神經(jīng)網(wǎng)絡(luò)模型、反饋型神經(jīng)網(wǎng)絡(luò)模型、基于遺傳算法的混合神經(jīng)網(wǎng)絡(luò)模型以及基于傳統(tǒng)粒子群優(yōu)化的混合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果進行了對比，結(jié)果表明，基于變異粒

5、子群優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型，根據(jù)歷史數(shù)據(jù)進行學習的速度與精度高，算法簡潔、收斂速度快，可作為實用的短時城市道路預(yù)測模型應(yīng)用于工程實踐。 課題的創(chuàng)新之處在于將反饋型神經(jīng)網(wǎng)絡(luò)與變異粒子群優(yōu)化算法相結(jié)合，建立混合智能計算的預(yù)測模型，該模型網(wǎng)絡(luò)結(jié)構(gòu)簡單，容易實現(xiàn)，特別適合于城市短時交通流的預(yù)測；較前饋神經(jīng)網(wǎng)絡(luò)具有更優(yōu)越的動態(tài)特性，達到了動態(tài)建模的目的；同時采用變異粒子群算法對網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化，訓練簡潔，學習收斂速度快，較遺傳算