硕士广义神经网络的研究及其在交通流预测中的应用.doc

作为智能交通系统的重］ 机动性的最佳途径。交通莎 流量是城市道路交通状况的- 于影响交通流量的因素众多: 困难。 神经网络技术由于其较女 Kie 矽 iWno i rndgsaf 13 gnoatrleilltehlhC^o (f ff gi ecrpelroawlFiQyneiehjTg生 r 广义木 R e s e ar c h o f G e R e s e a r c h o f G e A s a n i m p 0 : r t a n t a s P t r ? 1 g f 1 0 w g u ? 1 d a n c e ? 1 s c 0 n s ? 1 d e r e d a s a n 0 p b ? 1 1 ? 1 t y ■ T h e e s s e n t ? 1 a T r a f f ? 1 c F 1 0 w G u ■ 1 d a n c c ■ 1 n f 0 r m t ? 1 0 n , T r a f f ? 1 c f 0 w ? 1 s ? 1 m P 0 r 作者郑重声明：本 工作及取得研究成果。丿 外，论文中不包含其他/ i引言 i. i选题背景和研究意 交通运输业的发展水平韦 一方面促进了物资交流和丿 方面也带来了许多弊端，华 和交通事故频繁发生正越来i 用效率，解决交通拥挤和3 广义木 预测的路段增多时，求解更加复 行计算为求解大规模计算问; 格昂贵，因此，网络并行计算/ 是通过高速信息网络，充分利 行计算具有投资少，见效快， 或商业计算的主流方案。使用乡 用、特别是昂贵并行计算机平: 格大幅度下降，其性能价格 于空闲状态，因此开发PC机一 岀于交通实时控制系纟 预测模型用于交通流量预/ 自回归模型（AR）、滑z 鹏1 轍因素都较为简单, 易于实时更新数据，便于大史 的不确定性与非线性，无法 缩短，这些模型的预测精度: 一种改良的具有变型参数 广义木 络很难收敛。为了克服传统神经经网络建立交通流预测模型数目，从而提高神经网络的信戈有关学者提出了广义神经网?的简单神经元，还可以是具:的（多输入/多输出）神经:过定的学习规则在一类或几类r义神经网络处理函数的基础上建起广义神经网络模型，建立】 算集群不断出现，很多性育 到网络范围的限制，且一舟 格计算技术为我们提供了- 径，本文在传统的P C集君 网络的收敛速度。同时在网; 个很好的借鉴。 综上所述，神经网络由- 术，然而由于在预测之前需禹 精度的提咼，神经网络的训纟 第二章基于广义神经网络白 的基本理论，在此基础上，提H 的广义神经网络，根据相关性蛙 市路网交通预测模型，最后给出 第三章并行计算的基本理- 概念及P C集群并行计算。 第四章广义神经网络的并: 上，设计了一种广义神经网络（ 节点间的信息交互，同时分朮 2基于广义神经网络的1 作为智能交通系统（I T 和机动性的最佳途径。交通诱 了许多短时交通流预测方法。 确定的数学模型的方法和无电 变性和非线性的特点，很难纟 度慢、精度低、适应性差、5 gBBWW 删 动 F i g I net 广义彳 经网络信息存储能力，有关学: 可以是传统神经网络中的简单木 由一个神经网络抽象成的（多车 基础构建的。本章在传统BP冇 Sigmoid函数构造了一申 神经网络在收敛速度、预测精保 在进行交通流量预测时，彳 通流量有着必然的联系。由于 个连续时段的交通流量作为神 陰倉层峯爰坯的输入固:. 2 , ..., P 1 ）处理单元（神经万 元只是将输入值转入相邻的连 并根据转移函数计算输出应 起来，其值是随各处理单万 含层和输出层。4 ）阈值：t 为恒值或可变值。5 ）转老 为输出的处理单元。 误差逆传播（B P ）神纟 广义: 式2?1中，国，为输 层赣的个数。转移函娄 为：一X ),则隐含层单亍 (—n 廿卩 ° 同理，输屆单元的输》 k = 1， 2 ,.??， ^j:f占希div寸;- _ 1 一葩）］ 由上面四式可以得出： A 八=O r / ? 2 . 1 . 3 B P神经网络的改进 学习速度缓慢并常出现平€ 分析，人们已经认识到学习速茂 的样本对训练时，样本对的修j 削弱，从而使学习的误差函数佳 函数停在一个局部极小而非全尿 为避免平台现象，可以采丿 MB上一项正比于前次加权变化量的,r，小 MB 上一项正比于前次加权变化量的, r，小 很难收敛。为了增加了网络的彳 经网络建立交通流预测模型【 目。为了提高神经网络信息石 络的神经元不仅可以是传经 能神经元，以及由一个木 叙眞有信息存储能力，并万 数的神经元。传统智能神经 离可调参数的s i 离可调参数的s i g m o i d 鲫舷威的向量，）, 广义 的增加输入向量的维数，大刁 将智能神经元的构