论文部分内容阅读
智能交通管理技术在城市道路交通管理工作中发挥着日趋重要的作用,它所提供的可视化、动态化和主动化的道路交通管理方案,能够为道路交通管理决策提供科学的理论指导与技术支持。短时交通流预测技术是智能交通管理技术中的一种,它可以为交通流分配、交通流诱导和驾驶人行驶路径优化及选择等提供基础数据支持。因此,短时交通流预测技术一直是近年来道路交通管理领域的研究热点。本文针对BP神经网络的基本原理及技术特点,对其在训练阶段容易陷入局部最小值的问题进行分析,并结合模拟退火算法原理中的全局寻优能力,利用该算法优化BP神经网络,得到优化后的SA-BP神经网络,并对基于SA-BP神经网络的短时交通流预测进行研究,再结合实例仿真和对比分析,验证SA-BP神经网络具有更优的预测效果。本文主要完成以下几方面工作。首先,说明了本文的研究背景及意义,并着重从基于神经网络的短时交通流预测及基于模拟退火算法BP神经网络优化方面,对国内外研究现状进行了阐述与分析;第二,阐述了短时交通流预测的基本原理及流程,介绍了用于预测的交通流数据的预处理过程及方法,确定了短时交通流预测效果的评价指标体系;第三,选择BP神经网络作为本文的基本预测方法,阐述了其基本原理,并对其容易陷入局部最小解的缺陷进行了分析;阐述了模拟退火算法的基本原理,并对其能够跳出局部最优解的技术进行了研究;第四,利用模拟退火算法优化BP神经网络,利用梯度下降与随机扰动相结合的优化方式,进行BP神经网络权值及阈值调整,通过借助Matlab元胞数组矩阵建立了优化后的SA-BP神经网络,对实现其优化功能的关键技术进行了研究;同时,提出了一种记忆箱功能,用来再次优化SA-BP神经网络的预测结果;第五,对基于SA-BP神经网络的短时交通流预测方法进行了研究,分析了它的学习方式及预测过程,总结了该方法的预测流程;最后,利用MATLAB仿真,实现了SA-BP神经网络对深圳市某一路段的短时交通流量预测,并与传统BP神经网络的预测结果进行了对比分析,结果表明,本文所提出的基于SA-BP神经网络的预测方法能够有效解决BP神经网络存在的缺陷,得到更为精确的短时交通流预测结果。