神经网络在交通流量预测中应用和的研究.pptVIP

神经网络在交通流量预测中的应用与研究 四、课题拟研究内容 五、技术路线 目 录 六、可行性分析 七、进度安排及参考文献 二、国内外研究现状 一、研究背景及意义 三、目前存在的问题 研究背景及意义 交通预测是智能交通系统(ITS)研究的核心内容之一，交通流量则是判别道路交通状态的一个关键因素。 交通预测的目的是依据主要道路交叉路口和断面的交通流量信息，利用适当的方法进行实时动态预测，为给出行者提供最佳行驶路线、均衡交通流、优化交通管理方案、改进交通控制。 研究背景及意义 模型 优点 缺点 历史平均法 算法简单，参数可用最小二乘法在先估计，速度快。 不能处理突发事件 时间序列法 建模简单，数据充足的情况下预测精度较高 只考虑了历史数据，模型参数固定，不能移植；数据缺失时模型精度较低 卡曼滤波法 预测因子选择灵活，精度较高，适用于平稳及非平稳数据的处理，可实现在线预测 属于线性模型，在线预测性、不确定性的交通流时变性差；每次计算都要调整权值，预算量大 非参数回归法 无需先验知识，只需足够的历史塑胶，可移植，误差小 回归形式一旦固定，就比较呆板，往往拟合效果较差 传统交通流预测方法简单比较 研究背景及意义 智能算法的深入研究与广泛应用 传统的方法已经不能满足要求 运输网络亟需提高运输能力 智能交通系统(ITS)的发展 交通流量随社会经济发展不断增大 道路系统的时变性、复杂性和不确定性 国外研究现状 ( 近年来，随着智能方法的研究和应用，利用神经网络实现交通量的预测得到了很好的效果。) Nicholson和Swarm利用谱分析法进行交通量的预测 Gazis D.C、Knapp C.H.利用卡曼滤波理论简历了交通量预测模型，结果优于基于数据序列的预测方法。 Gary A.Davis和Nacy L.Nihan应用无参数回归模型预测于交通量 P.C.Vythotkas 提出基于Kalman滤波理论的交通量预测模型。 国内研究现状 杨兆升，谷远利(1998)应用高阶广义神经网络进行交通流实时在线预测 2007朱文兴等提出一种基于RBF神经网络的交通流量预测算法 2010年张敬磊等基于非线性组合模型的交通流预测方法 目前存在的问题 神经网络需要大量自我学习数据，数据不足会导致不好的预测结果 所选神经网络闭的环系统稳定性问题 如何选择更精确的网络模型和预测方法 交通流越来越呈现极强的不确定性，数据表现出无规律的波动性，为精确预测带来了极大的困难 课题拟研究内容 论文初期查阅国内外交通预测的方法及发展动态； 学习和研究神经网络各类算法。 研究神经网络在交通量预测中的相关理论知识，并将现有方法进行比较； 提出一种适用于交通流预测的神经算法，并验证其拥有的优越性。 技术路线 可行性分析 交通流理论和智能算法的不断深入研究为交通预测提供了坚实的理论基础。 神经网络能够在信息源不完整、不准确等复杂的数据环境下，通过其自身结构的调整过程，提取数据特性，并对未来做出有效的预测。 神经网络算法在交通预测中的应用与研究充分表明其预测结果普遍比传统方法精确。 可行性分析 ? ? ? 进度安排 查阅大量资料，确立研究方向，完成开题 研究神经网络算法 提出一种优越神经算法，并验证其正确性 完成论文的撰写，准备答辩 研究交通量预测知识，将已有方法进行分析比较 2010.08~2010.11 2010.08~2010.11 2011.11~2012.03 2011.07~2011.10 2011.03~2011.06 参考文献 []朱文兴,基于RBF神经网络的交通流量预测算法[J] 山东大学学报37,4(2007,8) []丹尼尔 L.鸠洛夫 ,马休 L.修伯,交通流理论[M] []王殿海,交通流理论[M],人民交通出版社,2002 []张敬磊,王晓原,基于非线性组合模型的交通流预测方法[J],计算机工程,36,5(2010,3) []曹炜,基于BP神经网络的城市交通流量预测与路口分析[D],昆明理工大学,2006. []胡洁,基于混沌和神经网络的短时交通流预测研究[D],武汉理工大学 ,2007. []孙丽娟,基于遗传算法的小波神经网络短时交通流预测[D],山东科技大学,2009.