论文部分内容阅读
近些年来,随着智能交通系统(ITS)的蓬勃发展,智能交通控制与诱导系统已经成为ITS研究的热门核心课题。而实现交通流诱导系统的关键问题是实时准确的交通流量预测,即如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况。随着时间跨度的缩短,交通流显示出来的非线性、时变性、不确定性越来越强,历史平均模型、时间序列模型、卡尔曼滤波模型、非参数回归模型、神经网络模型、组合预测模型等这些传统预测模型的预测效果和预测精度不甚理想,需要提出新的模型。课题以城市道路网络中典型的干线多路口路段为研究对象,深入研究了城市短时交通流的特点,将智能计算领域中的两种基本方法:人工神经网络和全局优化算法相结合,建立混合智能计算的城市交通流预测模型。在深入研究神经网络的基础之上,建立神经网络结构模型,针对其结构特点,应用优化算法对其进行优化,完成了基于混合智能计算的交通流预测。其中基于变异粒子群优化的Elman神经网络模型的仿真效果最好,该模型在分析常规粒子群优化算法的基础上,针对典型干线多路口交通流量特性,采用动态回归神经网络,建立了交通流预测模型。该模型的自联结构使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的,能够更生动、更直接地反映系统的动态特性。同时引进一种带变异因子的改进的粒子群优化算法,对该模型的权值和承接层的初始值进行优化,使网络结构达到最优,该算法采用判断最优值为局部最优值或全局最优值,对局部最优值进行变异,使其跳出局部收敛范围,从而解决了常规粒子群算法易陷入局部极小值,产生“早熟”的缺陷问题。利用济南东西方向主干道——经十路的实测数据,进行间隔为5min的短时交通流量预测。其中,取一多路口路段为研究对象,建立了该路段某时间段内的流量、速度、占有率数据库。通过Matlab软件编程对建立的模型进行仿真,并与多种前向型神经网络模型、反馈型神经网络模型、基于遗传算法的混合神经网络模型以及基于传统粒子群优化的混合神经网络模型的预测效果进行了对比,结果表明,基于变异粒子群优化的Elman神经网络预测模型,根据历史数据进行学习的速度与精度高,算法简洁、收敛速度快,可作为实用的短时城市道路预测模型应用于工程实践。课题的创新之处在于将反馈型神经网络与变异粒子群优化算法相结合,建立混合智能计算的预测模型,该模型网络结构简单,容易实现,特别适合于城市短时交通流的预测;较前馈神经网络具有更优越的动态特性,达到了动态建模的目的;同时采用变异粒子群算法对网络结构进行优化,训练简洁,学习收敛速度快,较遗传算法简单易实现,且解决了传统粒子群优化算法中的“早熟”问题。