近年来,欧、美、日等发达国家纷纷开始了大规模的有关智能交通系统(Intel-ligent Transport System,简称ITS)的研究,我国ITS起步较晚。发展ITS的一个关键就是提供实时的交通流信息,减少交通拥挤,而减少车辆的旅行时间是减少交通拥挤的一个重要前提,同时驾驶员也希望能得到在当时交通条件下的动态最短路径。 城市交通网络是一个复杂、动态的网络,路段的行程时间是随时间动态变化的。行程时间是由交通流量和交通密度决定的。准确动态地预测出路段未来时刻的交通流量对提供实时的交通流信息是非常必要的。 由于影响城市道路行程时间和交通流量的因素具有高度的时变性和非线性的特点,而人工神经网络具有(ANN,Artificial Neural Network)具有非线性描述、自学习与自适应、擅长处理多变量系统以及具有一定的容错性等特点,本文通过实测数据仿真实验显示采用动量法和学习率自适应调整的三层前馈 BP(Back Propagation)神经网络可获得较好的短时交通流预测效果。 但 BP 网络有很多固有缺陷,结构难确定,初始权值选择的盲目性导致训练速度慢,容易陷入局部最小。而遗传算法(GA,GeneticAlgorithm)是基于自然选择和遗传学机理的迭代自适应概率搜索算法,具有全局寻优快速收敛能力等诸多优点,本文利用遗传算法不仅训练了 BP 网络的初始权值和阈值,同时训练了网络的结构,克服了 BP 网络的上述缺陷。到目前为止,很多文献只单独优化网络权值或网络结构。 本文基于遗传算法和 BP 网络相结合的方法建立交通流量预测模型,利用当前和过去一段时间各时段的交通流数据,准确地预测未来时刻路段的交通流量。通过实测数据仿真实验显示遗传神经网络模型比单纯的神经网络在交通流短时预测上具有更好的预测效果。 本文用 MATLAB 语言实现遗传神经网络预测交通流量和交通密度,得出各路段的实时行程时间。由于动态路径的特点和约束条件的限制,本文对 Dijkstra 算法做了一些补充以及对它的实现方式做了一些改进,并用 JAVA 语言实现能避开交通拥挤的高效率动态最短路径。