基于免疫遺傳算法的od矩陣反推模型與算法研究

《基于免疫遺傳算法的od矩陣反推模型與算法研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、重慶大學(xué)碩士學(xué)位論文1緒論測(cè)，并舉例說(shuō)明了貝葉斯模型對(duì)于預(yù)測(cè)交通流量的實(shí)際適用性[5]。LIZhiheng,YINShengchao,TIANYe,LILi,ZHAOZhiqiang,JIYan提出了一種新的混合流模型——超高斯模型來(lái)有用的預(yù)測(cè)和控制交通流量。該模型描述到達(dá)的“高峰”的交通流量，進(jìn)一步分析高峰號(hào)抵達(dá)負(fù)指數(shù)分布和交通流量，實(shí)驗(yàn)表明結(jié)果相對(duì)穩(wěn)定，并遵循一定的M-形曲線(xiàn)，呈隨機(jī)波動(dòng)[6]。DebBhattacharjee在2001年主要針對(duì)動(dòng)態(tài)的路徑選擇行為對(duì)OD矩陣估計(jì)的影響，在車(chē)輛動(dòng)態(tài)路徑選擇模型中，對(duì)其參數(shù)采用了貝葉斯法進(jìn)行實(shí)時(shí)更新

2、，OD矩陣的估計(jì)則使用卡爾曼濾波來(lái)實(shí)現(xiàn)。但這個(gè)方法對(duì)于交通分配OD矩陣以及中途變更行車(chē)路徑這兩個(gè)關(guān)鍵性的參數(shù)對(duì)于OD矩陣估計(jì)的影響沒(méi)有提出解析計(jì)算公式[7]。1.2.2國(guó)內(nèi)研究現(xiàn)狀國(guó)內(nèi)關(guān)于交通流量的預(yù)測(cè)，國(guó)內(nèi)發(fā)展比較晚，上世紀(jì)90年代才開(kāi)始起步?；诼肪W(wǎng)OD調(diào)查的四階段法。核心思想是從微觀角度出發(fā)，以調(diào)查得到的路網(wǎng)現(xiàn)狀OD矩陣為基礎(chǔ)，應(yīng)用有關(guān)的模型進(jìn)行趨勢(shì)外推預(yù)測(cè)未來(lái)年的交通量分布情況，然后采用一定的分配方法進(jìn)行路網(wǎng)交通量分配。分為四個(gè)階段：交通發(fā)生預(yù)測(cè)，交通分布預(yù)測(cè)，交通方式分擔(dān)預(yù)測(cè)，交通分配預(yù)測(cè)。整個(gè)“四階段”法,通?？梢苑譃橛蠴D數(shù)據(jù)和無(wú)OD

3、數(shù)據(jù)兩種情形；有OD數(shù)據(jù)的情況下可以選擇合適的模型（如如指數(shù)模型、直線(xiàn)模型、冪函數(shù)模型和二次函數(shù)模型等）來(lái)分析預(yù)測(cè)[8]；如果沒(méi)有OD數(shù)據(jù)，可以考慮經(jīng)濟(jì)狀況、交通設(shè)施狀況以及交通源等因素采用重力模型或采用OD擬合，用單節(jié)點(diǎn)和單點(diǎn)對(duì)的兩種模擬方法通過(guò)小樣本調(diào)查數(shù)據(jù)反映實(shí)際交通分布情況，并且使得計(jì)算出的OD資料更為精確、完整以此來(lái)分析預(yù)測(cè)[9,10]。但是“四階段法”在對(duì)交通流量的近似假定、出行者路徑選擇方法和交通網(wǎng)絡(luò)的局限性等缺陷[11]，而且通常需要消耗大量的人力、物力和財(cái)力來(lái)獲得基礎(chǔ)OD表,這不實(shí)用與觀測(cè)基礎(chǔ)資料缺乏的農(nóng)村公路規(guī)劃[12]。多元線(xiàn)

4、性回歸模型是通過(guò)研究一個(gè)隨機(jī)變量和多個(gè)可控變量之間的相關(guān)關(guān)系的一種統(tǒng)計(jì)方法[13-15]。通過(guò)對(duì)歷史數(shù)據(jù)的統(tǒng)計(jì)分析，找出自變量與應(yīng)變量之間的數(shù)學(xué)函數(shù)關(guān)系模型，然后帶入實(shí)測(cè)的自變量值，輸出預(yù)測(cè)值。多元線(xiàn)性回歸模型是一種簡(jiǎn)單實(shí)用的模型，易于應(yīng)用于大規(guī)模路網(wǎng)交通流量預(yù)測(cè)中。但是對(duì)于沒(méi)有歷史數(shù)據(jù)或者歷史數(shù)據(jù)稀缺的路段，多元線(xiàn)性回歸模型預(yù)測(cè)精度較低。歷史趨勢(shì)模型假設(shè)交通狀況是周期性發(fā)生的，即具有相同歷史趨勢(shì)的一天里各路段在同一時(shí)段具有相同的交通流量[16-18]。建立該模型的關(guān)鍵是對(duì)于具有相似歷史趨勢(shì)的工作日的分類(lèi)。假如實(shí)時(shí)交通數(shù)據(jù)沒(méi)有集成或檢測(cè)器數(shù)據(jù)不可靠

5、，歷史趨勢(shì)模型可能是唯一的選擇。雖然歷史趨勢(shì)模型可以在一定程度內(nèi)解決不同時(shí)間、不同時(shí)段里的交通流變化問(wèn)題，但動(dòng)態(tài)的預(yù)測(cè)不足取，因?yàn)樗荒芙鉀Q非常3重慶大學(xué)碩士學(xué)位論文1緒論規(guī)和突發(fā)的交通狀況時(shí)的交通流量預(yù)測(cè)問(wèn)題，如交通事故時(shí)的交通流量預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[19,20]目前在國(guó)內(nèi)外研究比較多，也取得了一定的成果，它可以很好的解決交通領(lǐng)域內(nèi)的非線(xiàn)性問(wèn)題，其中向前型神經(jīng)網(wǎng)絡(luò)特別適合對(duì)交通流量的預(yù)測(cè)，其預(yù)測(cè)的平均誤差大概為7%~12%之間。當(dāng)系統(tǒng)具有較強(qiáng)的非線(xiàn)性時(shí)，則經(jīng)過(guò)適當(dāng)?shù)卦O(shè)置結(jié)構(gòu)之后，神經(jīng)網(wǎng)絡(luò)往往優(yōu)于傳統(tǒng)方法，但神經(jīng)網(wǎng)絡(luò)存在局部極小問(wèn)題，會(huì)出現(xiàn)局部

6、收斂，影響系統(tǒng)的控制精度。但是，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建模過(guò)程相對(duì)比較復(fù)雜，模型的擬合速度較慢，不能很好地適應(yīng)短時(shí)間短時(shí)預(yù)測(cè)的要求，而且神經(jīng)網(wǎng)絡(luò)需要大量自我學(xué)習(xí)數(shù)據(jù)，數(shù)據(jù)不足會(huì)導(dǎo)致較差的預(yù)測(cè)結(jié)果。其中一種BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法運(yùn)用也較為廣泛，通過(guò)誤差校正，結(jié)合道路交通網(wǎng)絡(luò)的實(shí)際情況，通過(guò)尋找與預(yù)測(cè)交通量具有內(nèi)在和必然聯(lián)系的因素，建立理想的交通量預(yù)測(cè)模型，實(shí)現(xiàn)道路網(wǎng)節(jié)點(diǎn)短時(shí)段交通量的預(yù)測(cè)。該算法具有模型簡(jiǎn)單，收斂速度快，應(yīng)用領(lǐng)域廣等優(yōu)點(diǎn)，但訓(xùn)練速度慢、且在高維曲面上局部最小點(diǎn)的逃離問(wèn)題、算法的收斂問(wèn)題等不足，通常需要做一定的改進(jìn)[21,22]。遺傳算法是比較

7、先進(jìn)的參數(shù)尋優(yōu)算法它具有適應(yīng)性強(qiáng)、全局優(yōu)化、自適應(yīng)性等優(yōu)點(diǎn)，對(duì)于不容易建立數(shù)學(xué)模型的場(chǎng)合其實(shí)用價(jià)值較為突出，但它也有不足，標(biāo)準(zhǔn)遺傳算法采用固定的交叉率和變異率，對(duì)于求解一般的全局最優(yōu)問(wèn)題具有較好的魯棒性，而對(duì)于解決較復(fù)雜的優(yōu)化問(wèn)題則存在早熟及穩(wěn)定性差的缺點(diǎn).傳統(tǒng)的自適應(yīng)遺傳算法雖能有效提高算法的收斂速度，卻難以提高優(yōu)良解的多樣性，算法的魯棒性仍有待改善[23]?？柭↘alman）濾波是一種比較先進(jìn)的數(shù)據(jù)處理方法，是以60年代Kalman提出的濾波理論為基礎(chǔ)的方法[24]。在應(yīng)用于實(shí)時(shí)交通流量預(yù)測(cè)之前，己成功應(yīng)用在交通需求預(yù)測(cè)領(lǐng)域，預(yù)測(cè)精度較高。

8、總的來(lái)說(shuō)，Kalman濾波法是針對(duì)線(xiàn)性回歸分析模型的一種矩陣迭代式的參數(shù)估計(jì)方法，具有預(yù)測(cè)因子選擇靈活，精度較高的優(yōu)點(diǎn)。但