论文部分内容阅读
交通问题是困扰现代城市的世界性难题。随着我国城市建设的飞速发展,私家车保有量急剧增加。据专家预测到2020年,我国私家车拥有量将增加到1亿辆,交通问题已成为我国各大中城市面临的主要问题之一。建立智能交通系统(Intelligent Transportation System, ITS),是解决交通问题的有效途径。交通诱导是ITS的重要组成部分,而车辆路段行程时间作为反映道路交通状况的重要指标之一,是交通诱导的重要内容。目前,国内外关于路段行程时间预测的研究已十分全面,但考虑到国内大部分交通检测设备的具体情况,只能通过预测路段行程的平均速度,进而预测路段行程时间。本文针对交通诱导的应用需求,开展交通路段行程时间预测方法的分析和研究。论文深入讨论了几种典型的路段行程时间预测模型,分析了目前路段行程时间预测模型的优点和不足之处。结合昆明市的交通流量检测的实际情况,确定采用道路环型线圈感应检测器获取交通流量、占有率和平均行程速度等交通实测参数,通过加权平均预处理作为分析和研究的基础数据。在此基础上设计了基本BP网络和RBF网络两种人工神经网络预测模型,并尝试用遗传算法优化的BP网络和粒子群算法优化的BP网络模型来预测路段行程时间。本文运用MATLAB工具箱,基于实测交通流数据,采用本文设计和构建的四种神经网络模型,对昆明市学府路进行了路段行程时间预测仿真。在输入层对数据进行整合和处理,四种模型在输入端都加入了整个路段的平均占有率,预测时间间隔取五分钟,输出为路段行程平均速度。论文给出了仿真结果,并对仿真结果进行比较和分析。研究结果表明,遗传算法优化的BP网络和粒子群算法优化的BP网络模型可用于路段行程时间预测,但比RBF模型效果稍差;RBF神经网络模型预测路段行程时间具有较好的适应性、准确性和实时性,从而进一步验证了基于RBF(径向基)神经网络预测路段行程时间是有效可行的。