论文部分内容阅读
随着社会经济的发展,居民生活水平显著提高,机动车保有量逐年提升,交通需求和供给之间出现了不平衡关系,作为这种不平衡关系的结果就是交通拥堵。交通拥堵治理的关键是当道路的在交通状态出现拥挤现象时,能事先发出预警信号,采取预防措施。所以预测交通拥堵状况,已经成为了社会上的一个焦点问题。环境因素作为影响交通拥堵的条件之一,对交通有着很大影响。现阶段对交通拥堵预测的研究中数据集均未将定量的环境因素纳入。同时现阶段研究中RBF神经网络已经被应用到了交通拥堵预测之中,并取得一定的效果。但是传统RBF神经网络中,使用K-Means算法确定隐层基函数中心,但K-Means算法过于依赖K值、不能自动识别类簇中心和对噪声数据敏感,如果将环境因素加入数据集后,该模型将不再适用。为了解决这些问题,本文尝试以北京市交通路网数据和北京市气象数据为基础数据,将文中设计的基于正态分布的KNN-DPC算法融入RBF神经网络中,提出了一种基于KNN-DPC的RBF神经网络模型。并通过该模型设计了交通拥堵预测系统,该系统具有较高的有效性和准确性。研究内容包括:1.针对现阶段研究中对交通拥堵预测未定量考虑环境因素的问题,本文通过查阅相关资料和文献,对交通拥堵相关的环境因素进行了筛选,最后设计了一个纳入环境因素的道路拥堵状态预测数据集。2.针对KNN-DPC算法在选择类簇中心时,是通过决策图人工选择的,受人为主观影响大,所以本文提出了一种基于正态分布的KNN-DPC算法,该算法能够自主识别数据集中的类簇中心,为本文优化RBF神经网络提供基础。3.针对传统RBF神经网络使用K-Means算法选择类簇中心的问题,本文使用基于正态分布的KNN-DPC算法,作为RBF神经网络基函数中心选择的算法,再通过相关计算得到其余参数。优化过后的神经网络模型预测精度高、对噪声数据具有很强的鲁棒性。4.为了预测交通拥堵状况,本文将设计一个基于KNN-DPC的RBF神经网络交通拥堵预测系统,通过使用纳入环境因素的数据集对RBF神经网络进行训练,最后使用训练好的网络预测道路速度,并根据道路速度阀值判断道路的拥堵状态。最后为了验证了本文算法、模型、系统的可行性、准确性及有效性,首先通过使用基于正态分布的KNN-DPC算法对UCI数据集进行类簇中心选择测试,结果表明该算法具有很强的可行性和准确性。然后通过使用北京市历史路网数据和气象数据,对基于KNN-DPC的RBF神经网络交通拥堵预测系统进行有效性和模型准确性测试,结果证明本文系统可以准确、自动化、有效的完成路面拥堵状况的预测,且具有较高的预测准确度。