1552.基于模糊神经网络的城市交通流预测算法研究毕业论文.doc

《1552.基于模糊神经网络的城市交通流预测算法研究毕业论文.doc》由会员分享，可在线阅读，更多相关《1552.基于模糊神经网络的城市交通流预测算法研究毕业论文.doc（55页珍藏版）》请在优知文库上搜索。

1、毕业论文题 目 基于模糊神经网络的城市 交通流预测算法研究学 院 控制科学与工程学院专 业 姓 名 学 号 指导教师 目录摘 要2ABSTRACT21 绪论31.1 课题的背景及意义31.2 国内外研究现状，水平及存在的问题31.3 课题研究的主要内容42 模糊神经网络概述52.1 神经网络52.1.1 人工神经网络的发展52.1.2 人工神经网络的学习规则62.1.3 误差逆传播算法（BP算法）72.1.4 径向基函数（RBF）神经网络92.2 模糊控制理论122.2.1 模糊集合的定义132.2.2 隶属度函数142.2.3 模糊控制162.3 模糊神经网络172.3.1 模糊神经网络简介

2、172.3.2 系统结构182.3.3 学习算法193 交通流预测原理及模型233.1 城市交通流特点233.2 短时交通流预测模型应具备的特性233.3 交通流预测基本原理及模型233.4 交通流量预测性能指标244 模糊神经网络控制器的设计及实现264.1 模糊神经网络控制器的设计原理264.1.1 网络结构及算法实现264.2 模糊神经网络控制器的实现274.2.1 模型建立274.2.2 模糊神经网络控制器的实现284.3 交通流预测过程304.4 算法流程图315 仿真结果分析325.1 BP比较模型325.2 算法的实现及结果325.2.1 模糊神经网络的仿真图形335.2.2 B

3、P网络的仿真图形34结束语36致谢37参考文献38附录39基于模糊神经网络的城市交通流预测算法研究摘 要智能交通系统（ITS）是当前国际研究的热门课题，城市智能交通系统以解决城市交通的拥堵，提高交通效率，减少交通污染等为目的，而解决这些问题的关键是快速、实时和准确的交通流预测。随着预测时间跨度的缩短 ,交通流的规律性越来越不明显 ,传统的预测方法难以凑效。本文针对城市交通流的分布特点，研究一种基于模糊神经网络的城市交通流预测算法，考虑预测的快速性和实时性。以城市交通流为原型，首先分析了城市各路段交通流分布的特点，进而对模糊神经网络进行了深入研究，并给出了基于模糊神经网络的城市交通流预测的建模方

4、法。最后对济南经十路三个相邻路段交通流实时数据进行了采集、建模和仿真，通过仿真结果与实际结果以及与单纯神经网络方法的比较，验证了由模糊神经网络建立的预测模型具有更高的预测效果和模拟精度。关键词：交通流预测；模糊控制；神经网络；模糊神经网络；BP网络；ABSTRACTThe intelligence transportation system (ITS) is the popular topic of the international research, and the city intelligence transportation system solves the municipal t

5、ransportation to support stops up, enhances the transportation efficiency, and reduces the transportation pollution and so on, which is the goal of it. But solves these questions keys is fast, real-time and the accurate transportation flows forecasting. Along with prediction time span reducing, the

6、regularity of the transportation flows is not obvious and the traditional forecast method collects the effect with difficulty. This article distributed characteristic which flows in view of the municipal transportation, studies one kind the forecast algorithm based on the fuzzy neural network to mun

7、icipal transportation flows, considering prediction rapidity and timeliness. Take the municipal transportation flows as the prototype, first analyzed the characteristic of the city road intersection transportation flows distribution, then has conducted the thorough research to the fuzzy nerve networ

8、k, and produced the modeling method of the municipal transportation flows forecasting what based on the fuzzy neural network. Finally selected three neighboring road intersection transportation flows of Jinan Jingshi road and there real-time data to be carry on gathering, modeling and the simulating

9、, through the simulation result and the actual result as well as with the pure neural network method compared, confirmed it had the higher forecast effect and the simulation precision by the fuzzy neural network establishment forecast model. Keywords: traffic flow prediction;fuzzy control;neural net

10、work;fuzzy neural network;BP network; 1 绪论1.1 课题的背景及意义随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重，城市交通问题越来越引起人们的关注。人、车、路三者关系的协调，已成为交通管理部门急需解决的重要问题之一。城市道路交通控制技术的发展是和汽车工业并行发展的，随着人民生活水平的日益提高，人均拥有汽车量在不断增高，随之所带来的交通问题也日趋严重。在其各个发展阶段，由于交通的各种矛盾不断出现，人们总是尽可能地把各个历史阶段当时的最新科技成果应用到交通控制中来，从而促进了交通控制技术的不断发展。做为智能交通系统的重要研究方面，交通

11、流诱导系统是目前公认的提高交通效率和机动性的最佳途径。交通流诱导系统的实质是给出行者提供实时准确的交通信息。交通流量是城市道路交通状况的一种重要的信息，因此交通流量预测具有重要的现实意义1。交通系统是一个具有随机性、模糊性和不确定性的复杂系统，因此，其数学模型的建立非常困难，有时甚至无法用现有的数学方法来描述。神经网络具有自学习和大规模并行处理的能力，比较擅长认知处理；模糊控制不依赖于被控对象的精确模型，能够充分利用学科领域的指示，并以较少的规则数表达知识，擅长技能处理。神经网络和模糊控制这两种技术各有所长，存在着互补性。近年来，将模糊控制和神经网络相结合成为智能控制的重要分支2。针对纷繁变化

12、的交通流状态，选择一种实时、有效的交通流预测方法已是智能交通系统迫切要解决的问题之一。采用模糊神经网络进行交通流预测，可以有效的提高交通控制效率，解决城市交通拥堵问题，实现交通控制的快速性，实时性，准确性，为出行者提供有效的交通信息，能够大大节省出行者时间，缓解交通压力，减少污染，节约能源等3。1.2 国内外研究现状，水平及存在的问题多年来，世界各国的城市交通专家提出各种不同的方法，试图通过先进的交通管理系统（ATMS）、先进的交通信息系统（ATIS）、动态路径引导系统（DRGS）等各种先进的智能交通手段来缓解交通堵塞问题。而实现这些系统或方法的关键，不仅要有实时的道路检测数据，更重要的是，要

13、将利用各种检测设备获得的实时信息通过各种预测模型和方法获得实时、可靠的、准确的预测信息。再利用动态路径诱导和交通信息系统为出行者提供实时有效的道路信息，实现动态路径诱导，达到节约出行者旅行时间，缓解道路拥堵，减少污染、节约能源等目的。因此，准确、可靠的交通预测信息是动态路径诱导系统的基础和关键4。多路口路段是一个城市交通的重要组成部分，其各路口的交通流量预测更是该城市智能交通系统中的重中之重，由于目前国内使用的交通控制系统普遍存在控制功能不强、信息不开放、可互换性差及缺乏解决混合交通的控制算法等问题，使得交通控制效率不高，直接导致出行时间难以预测、交通事故频发、交通环境恶化等。自上世纪80年代

14、以来，发达国家开始投入大量人力物力进行道路交通运输系统的管理与控制技术的开发。于是，运用各种高新技术系统地解决道路交通问题就应运而生了，这就是智能交通系统（ITS），交通控制与诱导系统是ITS研究的热门核心课题，而实现交通流诱导系统的关键问题是实时准确的交通流量预测，即如何有效的利用实时交通数据信息去滚动预测未来的交通信息系统（ATIS）和先进的交通管理系统（ATMS），给出行者提供实施有效的信息，帮助他们更好地进行路径的选择，实现路径诱导，以缩短出行时间，减少交通拥挤5。Martin,Smith,Sullivan和Dememetsky等人提出了解决各种多是交通流预测问题的模型，包括交叉口流量

15、的预测、路段交通流量和事故的预测。较早期的预测方法主要有：自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、历史平均模型（HA）和Box-Cox法等。随着该领域研究的逐渐深入，又出现了一批更复杂的、精度更高的预测方法6。大体上说，可分成两类：一类是以数理统计和微积分等传统数学和物理方法为基础的预测模型；一类是以现代科技技术和方法（如模拟技术、神经网络、模糊控制）为主要研究手段而形成的预测模型，其特点是所采用的模型和方法不追求严格意义的数学推导和明确的物理意义，而是更重视真实交通流现象的拟和效果。主要包括非参数回归模（Nonparametric Regressive Model）、KARIMA算法、基于小波理论的方法、基于多维分形的方法、谱分析方法（Spectral Basis Analysis）、状态空间重构模型和多种与神经网络（Neural Network）相关的复合预测模型等78。目前广泛应用的模型有七类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。目前在交通流预测领域基于神经