模拟退火混沌粒子群算法在短时交通流预测中的应用

发布时间：2017-06-10 08:02

  本文关键词：模拟退火混沌粒子群算法在短时交通流预测中的应用，由笔耕文化传播整理发布。

【摘要】：随着交通流预测成为智能交通系统(ITS)研究中热门的领域之一。我国的许多大城市开始开展相应的智能交通系统的战略规划研究,由于城市路况交通流状态具有非线性和不确定等,因此,全面、准确、及时的交通流预测对城市交通系统控制具有重要的意义。本文对从PEMS系统上采集到的交通流数据,进行可预测性分析。通过计算交通流时间序列的最大李雅普诺夫(Lyapunov)指数,来进一步分析判断交通流的混沌特性,采用关联积分法(C-C)计算嵌入维数和延迟时间,通过对实测数据进行仿真验证,进一步说明交通流的可预测这一性能。本文在对神经网络研究的基础上,构建BP神经网络模型,将其应用于短时交通流预测。仿真结果表明该算法具有易陷入局部极小值的缺点,为了克服BP神经网络的缺点,需要将BP神经网络进行改进。本文介绍了基本粒子群算法以及改进后的一些混合方式。根据上述算法,分别构建了用于交通流预测的PSO-BP、CPSO-BP、SAPSO-BP神经网络模型。通过构建好的模型分别对工作日、周末和节假日数据进行预测仿真,仿真结果表明：基于智能算法优化后的BP神经网络在收敛性和预测精度等方面得到了较大改善,从而可以更好地进行短时交通流预测,最后,通过预测指标对预测模型的优劣性进行评价。为了使预测的效果更加的突出,将混沌算法的思想引入到模拟退火粒子群算法中,设计了模拟退火混沌粒子群算法(SACPSO)，该算法融合了混沌和模拟退火粒子群算法各自的优点,采用单点单步的方式,来构建SACPSO-BP神经网络交通流预测模型。由于工作日、周末和节假日交通流数据具有不相同的影响因素,因此,将分别对这几种情况建立预测模型后进行仿真实验。经对比分析,研究结果表明：SACPSO-BP模型能更好地对短时交通流进行预测。
【关键词】：短时交通流预测 相空间重构 BP神经网络 粒子群优化算法
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14
【目录】：

• 摘要6-7
• Abstract7-10
• 第1章 绪论10-14
• 1.1 课题研究的背景和意义10
• 1.2 国内外研究现状及发展趋势10-12
• 1.2.1 智能交通系统发展概述10-11
• 1.2.2 短时交通流预测现状概述11-12
• 1.3 城市交通流预测概述12-13
• 1.3.1 城市交通流预测分类12
• 1.3.2 城市交通流预测模型12-13
• 1.4 论文的主要内容及章节安排13-14
• 第2章 交通流数据及可预测性分析14-28
• 2.1 本文交通流数据来源14-15
• 2.2 交通流可预测性分析15-18
• 2.3 交通流时间序列相空间重构分析18-24
• 2.3.1 相空间重构理论分析18-19
• 2.3.2 重构参数选取方法19-24
• 2.4 交通流混沌特性分析24-27
• 2.5 本章小结27-28
• 第3章 BP神经网络在短时交通流预测中的应用28-42
• 3.1 BP神经网络28-29
• 3.2 基于BP神经网络短时交通流预测模型设计29-33
• 3.2.1 BP神经网络应用设计29-30
• 3.2.2 短时交通流数据预处理30-31
• 3.2.3 短时交通流预测评价指标31-32
• 3.2.4 BP神经网络的短时交通流预测步骤32-33
• 3.3 PSO-BP神经网络短时交通流预测模型仿真33-35
• 3.3.1 BP算法的不足及改进33-34
• 3.3.2 基于PSO-BP神经网络的短时交通流预测34-35
• 3.4 基于PSO-BP神经网络交通流预测结果分析35-41
• 3.5 本章小结41-42
• 第4章 改进PSO的短时交通流预测模型设计及仿真42-56
• 4.1 改进PSO模型参数选取设计42-46
• 4.1.1 基本粒子群优化算法及改进42-43
• 4.1.2 基于CPSO-BP预测模型参数选取设计43-44
• 4.1.3 基于SAPSO-BP预测模型参数选取设计44-46
• 4.2 基于改进PSO的短时交通流预测模型设计46-49
• 4.2.1 基于改进PSO的短时交通流预测建模46-47
• 4.2.2 基于改进PSO短时交通流预测建模过程47-49
• 4.3 改进PSO短时交通流预测实验及结果分析49-55
• 4.4 本章小结55-56
• 第5章 基于SACPSO-BP的短时交通流预测研究56-65
• 5.1 模拟退火混沌粒子群算法基本原理56-57
• 5.2 基于SACPSO-BP神经网络的短时交通流预测流程57-58
• 5.3 基于SACPSO-BP神经网络的短时交通流预测结果分析58-60
• 5.4 改进BP神经网络预测算法性能比较60-64
• 5.5 本章小结64-65
• 总结与展望65-67
• 致谢67-68
• 参考文献68-71

【相似文献】

中国期刊全文数据库 前10条

1 偶昌宝,俞亚南;短时交通流预测的多层递阶方法[J];城市道桥与防洪;2004年05期

2 高丽梅;高鹏;陈俊波;;数据融合技术在短时交通流预测中的应用[J];交通科技;2010年S1期

3 唐世星;;改进的支持向量机算法在短时交通流预测中的应用[J];承德石油高等专科学校学报;2012年01期

4 王娇;李军;;最小最大概率回归机在短时交通流预测中的应用[J];公路交通科技;2014年02期

5 贺国光,李宇,马寿峰;基于数学模型的短时交通流预测方法探讨[J];系统工程理论与实践;2000年12期

6 宗春光,宋靖雁,任江涛,胡坚明;基于相空间重构的短时交通流预测研究[J];公路交通科技;2003年04期

7 杨世坚,贺国光;基于模糊C均值聚类和神经网络的短时交通流预测方法[J];系统工程;2004年08期

8 王进;史其信;;短时交通流预测模型综述[J];中国公共安全(学术卷);2005年01期

9 杨芳明;朱顺应;;基于小波的短时交通流预测[J];重庆交通学院学报;2006年03期

10 邓志龙;李全;陈茜;;基于灰色系统理论的短时交通流预测[J];公路交通技术;2006年01期

中国重要会议论文全文数据库 前4条

1 郑德署;何世伟;许旺土;;分形理论在短时交通流预测中的应用[A];2008第四届中国智能交通年会论文集[C];2008年

2 唐丽娜;张卫华;;短时交通流预测方法的比较研究[A];2007第三届中国智能交通年会论文集[C];2007年

3 于建玲;商朋见;关积珍;;改进的相空间重构方法在短时交通流预测中的应用[A];2008第四届中国智能交通年会论文集[C];2008年

4 杨锦伟;肖新平;郭金海;;基于灰关联与少数据云推理的短时交通流预测[A];第25届全国灰色系统会议论文集[C];2014年

中国博士学位论文全文数据库 前1条

1 姚智胜;基于实时数据的道路网短时交通流预测理论与方法研究[D];北京交通大学;2007年

中国硕士学位论文全文数据库 前10条

1 高为;基于数据挖掘和数据融合的短时交通流预测研究[D];重庆交通大学;2011年

2 齐霖;基于支持向量机回归的短时交通流预测与系统实现[D];东北大学;2013年

3 邱世崇;基于时空特性的城市道路短时交通流预测研究[D];重庆交通大学;2015年

4 沈小峰;交通流量短时预测的算法研究[D];浙江工业大学;2015年

5 江小燕;短时交通流预测方法研究[D];扬州大学;2015年

6 杨慧慧;城市交通流短时预测模型研究[D];河南理工大学;2015年

7 王鹏;基于嵌入式系统的城市智能交通控制器研究[D];辽宁科技大学;2016年

8 罗婷;模拟退火混沌粒子群算法在短时交通流预测中的应用[D];西南交通大学;2016年

9 尹振兴;“机理+辨识”策略在短时交通流预测中多种结果合成[D];天津大学;2008年

10 姜敏华;基于车行转弯比例稳定假设的短时交通流预测[D];上海交通大学;2008年

  本文关键词：模拟退火混沌粒子群算法在短时交通流预测中的应用，由笔耕文化传播整理发布。

，

本文编号：437757