資源描述：
《城市中心區(qū)路網(wǎng)的短時(shí)交通流預(yù)測(cè)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作和取得的研究成果，除了文中特別加以標(biāo)注和致謝之處外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得丞洼王些太堂或其他教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示了謝意。學(xué)位論文作者簽名：和奄拭簽字目期．馴解／月7日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解丞鎏王些太堂有關(guān)保留、使用學(xué)位論文的規(guī)定。特授權(quán)丞注王些太堂可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，并采用影印、縮印或掃描等復(fù)制手段保存、匯編以供查閱和
2、借閱。同意學(xué)校向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和磁盤。(保密的學(xué)位論文在解密后適用本授權(quán)說明)學(xué)位論文作者簽名：簽字日期：矽f晦征占俄侗7日／導(dǎo)師簽名：緡冽弓簽字日期：矽腸年／，月羅日學(xué)位論文的主要?jiǎng)?chuàng)新點(diǎn)lIIIMIIIIIHMH}Y2519188一、本文針對(duì)短時(shí)交通流數(shù)據(jù)的短期相關(guān)性以及周期性特點(diǎn)，結(jié)合時(shí)間序列預(yù)測(cè)模型，考慮了ARIMA模型在預(yù)測(cè)中體現(xiàn)出的均值趨勢(shì)，建立了乘法季節(jié)AR工MA模型。二、針對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建過程中隱含層數(shù)量難以確定的問題，采用多次預(yù)測(cè)選取最優(yōu)的方法來建立局部最優(yōu)BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型。三、針對(duì)BP神經(jīng)網(wǎng)絡(luò)在短時(shí)交
3、通流預(yù)測(cè)中權(quán)值初始化的隨機(jī)性和權(quán)值尋優(yōu)困難等問題，結(jié)合遺傳算法解決最優(yōu)解問題的優(yōu)勢(shì)，提出基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并采用實(shí)際交通流數(shù)據(jù)，對(duì)比乘法季節(jié)ARIMA預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，體現(xiàn)出了更優(yōu)的預(yù)測(cè)效果。摘要隨著經(jīng)濟(jì)發(fā)展和社會(huì)不斷城市化，交通擁堵以及交通污染等問題日益嚴(yán)重，所以作為交通誘導(dǎo)以及交通控制系統(tǒng)決策支持的短時(shí)交通流預(yù)測(cè)研究就顯得格外重要。本文重點(diǎn)分析了國內(nèi)外在短時(shí)交通流預(yù)測(cè)領(lǐng)域的研究，總結(jié)了短時(shí)交通流不確定性，周期性以及非線性等特點(diǎn)，建立了基于統(tǒng)計(jì)理論的時(shí)間序列預(yù)測(cè)模型，以及基于人工智能發(fā)展起來的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和基于
4、遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。最后采用實(shí)際交通流數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行仿真實(shí)驗(yàn)和精度檢驗(yàn)，考慮短時(shí)交通流時(shí)間序列的相關(guān)性以及周期性對(duì)ARIMA預(yù)測(cè)模型精度影響，在其基礎(chǔ)上提出了乘法季節(jié)ARIMA模型并進(jìn)行應(yīng)用分析；針對(duì)BP神經(jīng)網(wǎng)絡(luò)隱含層數(shù)難以確定的難題，采用了多次預(yù)測(cè)選取最優(yōu)進(jìn)行模型結(jié)構(gòu)選擇和應(yīng)用；以遺傳算法解決BP神經(jīng)網(wǎng)絡(luò)權(quán)值尋優(yōu)，并對(duì)基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行仿真應(yīng)用。通過對(duì)比三種不同預(yù)測(cè)模型在同一數(shù)據(jù)集的預(yù)測(cè)誤差，發(fā)現(xiàn)乘法季節(jié)ARIMA模型優(yōu)于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，但基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相比于其他模型顯示出了更好的預(yù)測(cè)精度和預(yù)測(cè)效果
5、。所以認(rèn)為采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化并應(yīng)用于短時(shí)交通流預(yù)測(cè)領(lǐng)域是可行的，為實(shí)時(shí)交通誘導(dǎo)和決策提供了支持，能夠較為準(zhǔn)確地提供交通流預(yù)測(cè)信息，從而幫助緩解交通壓力。關(guān)鍵字：城市交通，短時(shí)預(yù)測(cè)，時(shí)間序列，乘法季節(jié)ARI姒，BP神經(jīng)網(wǎng)絡(luò)，遺傳算法ABSTRACTWiththedevelopmentofeconomicandconstanturbanizationofsociety,andthegrowingproblemoftrafficcongestionandpollution，short-termtrafficflowforecastingasthesup
6、portofthedecisionforthetrafficguidanceandcontrolsystemiscausingwidespreadconcern．Throughtheanalysisoftheresearchabouttheshort-termtrafficflowforecastingdidbydomesticandforeignscholarsandtheconclusionthattheuncertainty,periodicityandnon—linearofthetrafficflowdata,thetimeseriesforecast
7、ingmodelbasedonthetheoryoftraditionalstatistic，theBP(back-propagation)neuralnetworkmodelestablishedintheareaofAI(artificialintelligence)andtheBPneuralnetworkoptimizedbytheGA(genetic-algorithm)modelweresetupinthispaper．Inthesimulationprocesswithactualtrafficflowdatafortheprecision-tes
8、ting，conside
