论文部分内容阅读
随着我国城镇化进程的不断深入与汽车行业的增长,我国的汽车数量呈高速增长趋势。过多的机动车带来了一系列的负面问题：交通拥堵、交通事故频发、能源利用率低、尾气污染等。其中,交通拥堵问题显得尤为严峻,目前仍然没有得到较好的改善。当前交通调控与管理已经趋向于智能化,交通流量预测是交通管理与调控过程中的关键环节,准确的获得短时交通流量的预测数据具有很大的现实意义。交通流量是一个多变量、时变性强的复杂参量。目前已有较多的单个预测模型可以实现交通流量预测,针对单个预测模型,研究重点在于如何提高预测模型的精度。为了提高交通流量预测模型的精度,本文的工作从以下几个方面展开：(一)本文首先分析了交通流数据的时间特性和空间特性,在充分考虑了交通流量的周期性、随机性和相似性的基础之上,根据日类型因素、时间因素、气象因素、事故因素等因素对历史交通数据进行归类和划分。(二)本文介绍了几种当前使用比较广泛的预测方法,分别对其原理及使用方法进行了阐述,并使用每种方法对交通流量预测做了实例分析,总结与对比了各种预测方法的特点。(三)在对比几种预测方法后,本文选择使用BP神经网络进行交通流量预测。对于交通流体现出的非线性特性以及BP神经网络预测模型容易陷入局部极小值的问题,本文首先对基本BP算法进行了一定的改进,使用自适应变步长算法来改善BP神经网络的收敛慢、容易出现振荡的缺陷；此外,为了搜寻最优BP网络模型,文中采用了基于遗传算法的BP神经网络预测模型,这是本文的一个创新之处。(四)对于神经网络的输入量选择的问题,本文做了输入量相关性的数学分析,从众多影响因素中选择与期望输出相关度较大的因素作为输入变量,从而提高预测模型的精度。(五)最后,文中以广州市道路的交通流量数据作为样本,进行了三种不同的MATLAB仿真：1,使用传统的BP神经网络模型进行仿真,并通过使用不同数目的隐层神经元数目得出不同的误差精度,以此来选择可以使得误差精度较高的隐层神经元数目；2,使用改进的BP神经网络模型进行仿真,采用自适应变步长算法来改善BP神经网络的收敛慢、容易出现振荡的缺陷；3,使用基于遗传算法的BP神经网络模型进行仿真,得到的BP网络模型可以实现预测精度高、收敛时间短的预测效果。