论文部分内容阅读
当前，交通控制与诱导系统是ITS研究领域的热点核心问题，其性能的好坏已经成为影响城市道路交通功能的重要因素。而准确的短时交通参数预测(Short-term Traffic Flow Forecasting)是实施交通控制与诱导的前提，它为智能交通系统及其子系统提供实时、准确、可靠的交通信息，从而能够迅速准确地采取相应的措施处理交通拥堵，进而提高整个路网的使用效率。
本文以丰富交通参数的预测方法、提高交通参数预测精度为主要目的，应用人工神经网络及其优化算法对交通参数短时预测方法进行研究，为丰富交通参数的预测方法做了有益的尝试。全文的主要内容如下：
(1)论述了智能交通系统的发展和研究内容，分析了交通参数短时预测的研究现状，明确了本文研究的目的和意义，最后确定本文的具体研究内容。
(2)介绍了人工神经网络的发展状况，研究了人工神经网络的基本原理、数学模型、网络结构和学习算法等相关理论及其在交通预测中的应用。
(3)详细地研究了BP神经网络的基本原理、数学描述及其具体实现步骤，针对BP算法容易陷入局部极小、收敛速度慢等不足，研究了BP神经网络的改进算法，讨论了BP网络隐含层节点数目的选择、数据的预处理等问题，提出了BP网络应用于交通量预测的算法流程，着重研究了基于BP神经网络的短时交通流量的具体预测方法，并通过算例对BP网络及其改进算法进行了实际应用和比较研究，获得了较为理想的结果。
(4)论述了遗传算法的基本理论知识，研究了遗传算法用于优化BP网络的方法，分析了神经网络与遗传算法的结合原理、进化方式等内容，并针对交通流的非线性、扰动性强和“黑箱”等特性，结合神经网络和遗传算法的优点，建立了遗传神经网络作为交通流量的实时预测方法，利用遗传算法擅长全局搜索的优点，将其用于BP网络初始权值和阀值的优化，弥补了传统BP算法的不足；通过仿真算例验证了这种方法的合理性，使神经网络预测交通量的准确性和稳定性得到了提高。