论文部分内容阅读
在科技日益发展的今天,交通拥挤状况已变成了政府注重的核心问题之一。为了有效地减轻甚至解决这一问题,智能交通系统,特别是短时交通流预测成为了关键。短时交通流预测的实时性和准确性保障了道路的通畅及系统的稳定运行,为解决交通问题奠定了基础与技术支持。本文在分析了大量短时交通流预测方法的基础上,针对目前已有方法的不足以及根据人工智能掀起的两大热潮:神经网络与深度学习,给出了两大预测模型。本文具体工作如下:(1)构建基于自适应GA-Elman神经网络的短时交通流预测模型。首先对交通流进行差分数据平滑法处理,用以消除数据趋势性对结果的干扰;其次针对Elman神经网络容易陷入局部极值的缺陷,采用了遗传算法优化;通过比较分析Elman网络不同隐含层数的预测误差,选用最佳层数;通过输入样本数自适应选取隐含层节点数,从而获得最佳预测模型。通过实例分析,并与Elman网络进行对比,证实此模型的优势性。(2)构建基于谱分析与DBN-Elman神经网络的短时交通流预测模型。首先对交通流数据进行谱分析方法分解为趋势部分与随机波动部分,利用随机波动部分代替原始交通流数据作为输入,消除趋势部分给预测结果带来的干扰;其次利用深度学习中的深度信念网络结合Elman神经网络,经过特征学习预训练与微调操作之后获得最佳预测模型;通过实例对比分析,表明模型的高效性与优势性。