朱耿先[1]2004年在《基于径向基函数（RBF）神经网络的路段行程时间预测研究》文中进行了进一步梳理交通流诱导和线路引导是21世纪现代地面运输管理体系的模式和发展方向。建立交通流诱导和线路引导系统的关键是要能较准确地预测未来时段内的路段行程时间，路段行程时间预测还是智能交通信息系统的重要内容，因此，城市交通路段行程时间预测研究有着十分重大的意义。 交通参数与路段下一时段的行程时间之间的关系是非常复杂的，采用传统的方法难以取得理想的预测效果，比如卡尔曼滤波算法适应性不强，BP神经网络可以反映行程时间的变化趋势，但预测精度较差。 径向基函数(RBF)神经网络，作为一种新型的数学建模方式，它可以根据具体问题确定相应的网络拓扑结构，学习速度快，具有自动聚类、自学习、自组织的功能，不会出现局部极小值问题，它对连续非线性函数具有一致逼近性，因此，论文提出了基于径向基函数(RBF)神经网络路段行程时间预测的模型。 论文首先介绍了路段行程时间预测的已有方法，分析了它们的优势和不足，在探讨了交通参数的常见检测方法的基础上，提出了基于车型识别的双线圈路段平均速度求取方案，接着，论文探讨了RBF神经网络的原理、特点、结构、实现并应用于路段行程预测，提出了基于RBF神经网络的路段行程时间预测模型，通过仿真验证了其预测效果，并从实验和理论上与卡尔曼滤波和BP网络的预测性能做了系统的比较，证明了基于RBF神经网络的路段行程时间预测有较好的适应性、实时性和准确性，在行程时间可实测的路段上它可以取得较为理想的预测效果，在行程时间不可实测的路段，其预测效果也是可以接受的，它克服了卡尔曼滤波算法对行程时间实测的依赖性和仅仅根据数据的表面特征进行参数优化和预测的局限性，可以进行大范围的数据融合，整体预测性能比卡尔曼滤波算法和BP神经网络要好，从而证明了基于径向基函数(RBF)神经网络的路段行程时间预测是可行的。
张扬[2]2009年在《城市路网交通预测模型研究及应用》文中提出随着城市经济的不断发展和私家车的急速增多，传统的交通模式在现代交通中遇到了越来越多的问题，如交通拥堵、空气污染、交通事故等。采用不断修建新道路的方法来缓解巨大的交通压力已不切实际。为了应对这些棘手问题，智能交通系统（Intelligent TransportationSystems，简称ITS）被引入到动态交通管理中，而且得到了快速发展。结合信息技术和交通理论，智能交通系统被用于道路交通控制、交通诱导等各个方面。经过近些年的应用，在缓解交通拥堵、提高出行效率等方面，ITS显示出巨大的潜力。作为ITS的一个分支，交通预测在智能化管理和动态控制中始终占有重要地位。对交通路网的动态控制，依赖于短时/中时交通状态预测的效果。对不同时间间隔的实时交通状态的连续预测能力是交通管理系统提供动态交通控制的必要需求。准确的交通预测模型对于更好地分析路网交通状况，规划交通网络和实现交通优化控制策略都有十分重要的作用。近几十年来，不同领域的研究者从各自的角度对交通预测的特性进行了分析，并建立了许多模型。本文以现有的交通预测模型为基础，分析了多种主要模型的优缺点，并提出了改进的预测模型。采用两种道路网络的真实交通数据，本文对各种模型进行了深入的分析，并比较其效果，初步探讨了交通预测建模在路网交通状态分析中的应用。一方面，城市道路交通分高速路网和城市主干道路网两种情况，本文对这两种路网分别进行了研究；另一方面，按照交通状态数据不同的时间间隔，本文同时检验了中时和短时预测两种情形，并对模型进行了对比研究。论文的主要工作如下：1.通过所获得的路网交通状态数据，充分利用空间-时间交通信息，可以对路网的交通运行状况作出准确的判断，给出更合理的预测。本研究通过美国高速公路评测系统（FreewayPerformance Measurement System，简称PeMS）网站获取了加利福尼亚洲际高速路网的行程时间指数（Travel Time Index，简称TTI）数据，对整合后的1-小时间隔的交通数据进行研究，实时分析了高速路网的整体运行状况。同时，本文还针对城市道路网络中的交通流数据进行了相关研究，利用悉尼交通自适应协调系统（Sydney Coordinated AdaptiveTraffic System，简称SCATS）所获取的上海市徐汇区衡山路、吴兴路路段15-分钟间隔交通流量数据，对城市主干道路网的交通状况建立了预测模型。2.选择时间间隔不同的两个交通数据源可以更全面地分析各种预测模型的性能，考虑到交通数据的不完备性问题，本研究提出两种不同的方法对路网交通状态作出分析。其一是对所获取的路网数据进行适当整合，对整个道路网络的交通状况进行宏观判断；其二是从微观角度出发，以路网中各路段的拓扑关系为基础，进行交通状态参数的相关性分析，运用时空信息进行交通预测。选择两种交通数据可以分别验证这两种分析方法，实验采用了绝对平均误差（Mean Absolute Error，简称MAE）、均方根误差（Root Mean SquareError，简称RMSE）、平均绝对百分误差（Mean Absolute Percentage Error，简称MAPE）和绝对百分方差（Variance of Absolute Percentage Error，简称VAPE）等对各种预测模型进行误差分析和比较。3.以源自两种路网的交通状态数据为基础，对基本预测模型进行分类研究，提出时空状态空间法与模型相结合的方法，验证了最小二乘支持向量机模型（Least Squares SupportVector Machines，简称LS-SVM）和T-S模糊预测模型（Fuzzy T-S）两种非参数预测模型的有效性。同时，分析了卡尔曼滤波预测模型（Kalman Filtering，简称KF）、自回归移动平均模型（Autoregressive MovingAverage，简称ARMA）、历史平均模型（Historical Mean，简称HM）、线性最小二乘回归模型（Linear Least Squares Regression，简称LLSR）、径向基函数神经网络模型（Radial Basis Function Neural Network，简称RBF-NN）和支持向量回归模型（Support Vector Regression，简称SVR）的预测性能，考察了多种模型参数，进行实验比较，并采用多种误差标准对其分析。4.以获取的两种交通数据和对基本预测模型的分析为基础，考虑到基本模型预测各自的特点具有优势互补性，以及组合预测模型能够有效减少单个模型预测过程中一些环境随机因素的影响等特点，并以交通信息发布、处理的实时性要求为依据，在交通领域改进并发展了线性组合预测的思想，并详细验证了六种线性组合方法：等权值预测法（EqualWeights，简称EW）、最优权值预测法（Optimal Weights，简称OW）、最小绝对值误差法（Minimum Error I&II，简称ME I&ME II）和最小方差法（Minimum Variance I&II，简称MV I&MV II）。通过多个误差标准对202种组合模型进行的误差分析和性能比较证明，2-模型线性组合预测的预测精度和稳定性都要优于基本预测模型。5.受变权值线性组合预测模型的启发，同时考虑到交互式多模型（Interacting Multiple Model，简称IMM）在混合系统估计中表现出的相似特点，本文提出了IMM组合预测模型。IMM算法的递归性、模块化、计算量固定这叁个理想的特性决定了它可以用于实时交通状态预测。而且，使用IMM选择多个预测模型进行组合符合交通信息处理的要求。采用两种时间间隔不同的交通数据，实验通过排列组合研究了所有基本模型的各种IMM组合，并与基本模型和线性组合模型作出比较，其分析结果证明了2-模型IMM组合预测的有效性和鲁棒性。
来建波[3]2011年在《基于神经网络的路段行程时间预测研究》文中提出交通问题是困扰现代城市的世界性难题。随着我国城市建设的飞速发展,私家车保有量急剧增加。据专家预测到2020年,我国私家车拥有量将增加到1亿辆,交通问题已成为我国各大中城市面临的主要问题之一。建立智能交通系统(Intelligent Transportation System, ITS),是解决交通问题的有效途径。交通诱导是ITS的重要组成部分,而车辆路段行程时间作为反映道路交通状况的重要指标之一,是交通诱导的重要内容。目前,国内外关于路段行程时间预测的研究已十分全面,但考虑到国内大部分交通检测设备的具体情况,只能通过预测路段行程的平均速度,进而预测路段行程时间。本文针对交通诱导的应用需求,开展交通路段行程时间预测方法的分析和研究。论文深入讨论了几种典型的路段行程时间预测模型,分析了目前路段行程时间预测模型的优点和不足之处。结合昆明市的交通流量检测的实际情况,确定采用道路环型线圈感应检测器获取交通流量、占有率和平均行程速度等交通实测参数,通过加权平均预处理作为分析和研究的基础数据。在此基础上设计了基本BP网络和RBF网络两种人工神经网络预测模型,并尝试用遗传算法优化的BP网络和粒子群算法优化的BP网络模型来预测路段行程时间。本文运用MATLAB工具箱,基于实测交通流数据,采用本文设计和构建的四种神经网络模型,对昆明市学府路进行了路段行程时间预测仿真。在输入层对数据进行整合和处理,四种模型在输入端都加入了整个路段的平均占有率,预测时间间隔取五分钟,输出为路段行程平均速度。论文给出了仿真结果,并对仿真结果进行比较和分析。研究结果表明,遗传算法优化的BP网络和粒子群算法优化的BP网络模型可用于路段行程时间预测,但比RBF模型效果稍差；RBF神经网络模型预测路段行程时间具有较好的适应性、准确性和实时性,从而进一步验证了基于RBF(径向基)神经网络预测路段行程时间是有效可行的。
刘江用, 云美萍, 闫亚文, 杨晓光[4]2011年在《基于径向基函数神经网络的城市道路路段行程时间实时预测模型》文中研究指明提出利用径向基函数(RBF)神经网络方法对城市道路路段行程时间进行建模预测,并结合线圈和视频实测数据进行仿真分析,以实际行程时间和模型输出的行程时间预测值比较验证了模型的合理性。并将RBF神经网络方法与BP神经网络方法进行比较,结果表明RBF神经网络相对于BP神经网络训练时间短,且预测精度更高。
侯正英[5]2017年在《基于信号周期的间断流行程时间短时预测》文中指出人们的便利出行需要智能交通系统(Intelligent Transportation Systems,ITS)引导与控制。而依据信号交叉口划分的路段是城市道路最基本的构成元素,也是ITS系统最基本的数据信息来源和管控单元。路段行程时间也最能表征交通拥堵状况,实时体现的道路交通拥堵程度,在交通规划、交通管控中起着重要作用。出行者、交通管理者及研究者都经常用其评价交通状况或作为下一步交通决策的依据。本文将城市道路信号交叉口交通流描述为车辆随机到达的间断流,基于信号周期对路段行程时间进行估计和预测。全文主要研究内容和成果如下:(1)首先对路段交通流进行特性分析,根据特性不同将路段细分为交叉口域和路段域。针对路段域交通流为不受信号周期影响的平稳时间序列连续流,采用ARIMA算法建立路段域行程时间估计模型。通过对采集的路段域GPS数据进行地图匹配和位置时间插值方法计算的实例分析,结果表明基于ARIMA算法能准确地对路段域行程时间进行估计。(2)根据车辆在信号周期的红黄灯时间还是绿灯时间到达交叉口,对交叉口域行程时间进行了再划分,提出了基于随机车辆到达的马尔科夫链排队论和交通流波动理论的排队模型,并根据交叉口信号周期配时方案,建立交叉口域行程时间估计模型。实例分析结果显示该模型能较好地估计交叉口域行程时间。(3)在以上研究工作的基础上,基于样条权函数神经网络模型,并考虑和分析行程时间的关键影响因素,最后将路段域行程时间、交叉口域行程时间和信号周期、有效绿灯时长、绿信比作为行程时间影响因素,建立了行程时间预测模型。经过实例分析并和BP神经网络、RBF神经网络和卡尔曼滤波比较,最后选择路段域行程时间、交叉口域行程时间和信号周期为关键影响因素的样条权函数神经网络模型能更好地预测实验路段行程时间。
崔立成[6]2012年在《基于多断面信息的城市道路网交通流预测方法研究》文中研究表明随着社会经济的快速发展,城市汽车保有量不断增加给城市道路交通系统造成极大的考验,交通事故、交通拥堵、环境和能源等问题不断加剧,极大地降低人们出行的便利性。智能交通系统(ITS)是解决城市道路交通问题的有效手段之一,其中交通流预测是ITS的基础性研究内容,为交通控制和诱导提供基础理论支持和数据支持。通过向出行者提供实时有效的交通信息,诱导出行者的出行行为,尽可能充分利用交通基础设施,解决或缓解交通拥堵等问题。深入分析和掌握道路交通流变化规律,提高交通流预测的实时性、可靠性和自适应性成为目前关注和研究的热点。本课题以城市道路网断面交通流为研究对象,对各断面交通流时间空间特性和时空预测理论进行深入研究和探索,主要研究内容和成果包括：城市道路网交通流不仅随时间变化,同时也受空间因素的影响。在分析交通流空间变化特性基础之上,重点研究城市交通流空间相互作用的影响因素,如距离、交通状态等,结合城市地理学相关理论,对交通流空间相互作用的延迟特性进行深入分析,给出基于时滞的交通流互相关性算法,通过实测数据验证计算法的正确性。交通流时空预测模型充分考虑到交通流时间和空间变化特性,如果将所有断面作为整体进行分析和预测,将极大地增加模型的计算复杂度。对比各种聚类分析方法。本文给出基于交通流互相关性的路网断面分组算法,该算法基于平均相关性、主成分分析和k-means,无需初始化聚类参数,如聚类数、聚类中心等,具有较强的灵活性和自适应性。本文系统研究单点和多点交通流预测理论,基于过程神经网络模型的预测方法,提出在线自适应复合交通流时空预测(OAHST)模型。OAHST模型基于并行化思想,对单一预测模型进行扩展。OAHST是一个多输入单输出模型,将断面分为主断面和辅助断面,分别估算各断面交通流变化规律进行交通流预测,根据跟断面间的关联关系,对主断面的预测结果进行修正。在初始交通流统计样本较为丰富的情况下,建立在线自适应RBF网络预测模型。构建神经网络的难点在于网络结构的确定,即隐节点基本信息,适当的隐节点数可以降低神经网络的计算复杂度,提高学习训练的收敛速度。论文深入研究神经网络序贯学习算法,对其进行改进和优化,提出两阶段混合自适应学习算法(TSMALA算法)。TSMALA基于隐节点贡献度大小,动态增加和删除隐节点,对RBF网络结构进行自适应调整,高效快速地对外界变化做出响应。在初始交通流统计样本较小的情况下,建立在线自适应最小二乘支持向量机LS-SVM预测模型。最小二乘支持向量机(LS-SVM)是对支持向量机(SVM)的优化,将所有样本作为支持向量,增加预测过程的计算复杂度,使LS-SVM的解缺乏稀疏性,测速度相对缓慢。本文重点分析支持向量,给出支持向量增加、删除、替换的训练算法,通过动态更新支持向量,严格限制支持向量和训练样本的数量,使预测模型能够对外界的变化及时快速地做出响应。根据实际工作需求,在论文研究成果基础之上研发基于时空预测技术的城市道路交通流诱导系统作为实际案例研究。根据业务流程设计相关系统功能的算法流程,通过案例演示应用系统的主要功能模块和操作界面等。本文深入分析交通流时间和空间变化特性,基于过程神经网络模型的预测原理,提出并行化交通流时空复合预测(OAHST)模型,OAHST模型单独考虑预测模块输入维,建立交通流数据滑动窗口,依据当前输入样本动态确定预测模型的输入。针对初始样本的大小,分别给出基于最小二乘支持向量机和径向基神经网络的交通流预测模型,在一定程度上提高模型的自适应程度。在理论研究的基础之上开发基于时空复合预测模型的城市道路交通诱导系统。通过理论与实践相结合的方法,实现课题的研究目标,为解决城市道路交通问题和智能交通系统的发展进行有益的探索。
刘擎超[7]2015年在《基于集成学习的交通状态预报方法研究》文中提出随着汽车保有量的迅速增加,有限的道路资源和不断增长的汽车数量之间的供需矛盾变得越来越尖锐,导致交通供给与交通需求之间难以平衡。这直接导致了各大中城市交通环境的不断恶化,交通拥堵日益严峻,交通控制与诱导是应对城市交通问题的重要手段,实现交通控制与诱导的关键问题之一就是实时准确的交通状态预报。如何准确检测交通事件、如何实时判别交通状态以及如何精确高效地预测交通状态,一直是智能交通研究领域的重点。本文依托国家863计划课题“大城市区域交通协同联动控制关键技术”中的子课题“面向出行行为的区域交通智能分析与多模态控制技术”,围绕集成学习技术,开展交通事件自动检测、交通状态自动判别及短时预测方法研究。论文分析了四种交通状态模式分类的方法,包括基本图法、叁相交通流法、服务水平法以及集成学习法。在已有交通流状态模式划分的基础上,重点阐述了集成学习中的聚类分析法和距离度量法。交通状态是通过交通流数据来体现的,交通流数据主要包含参数速度、流量和占有率等,根据交通状态相似性划分的原理,通过计算交通流数据之间的距离确定交通状态。在明确交通事件检测问题的本质是二分类问题基础上,针对由交通事件引起的异常交通状态检测模型的检测率低、误警率高不能满足实际应用的问题,论文提出两种交通事件检测方法：基于随机森林的交通事件检测方法和基于贝叶斯分类器集成的交通事件检测方法。前者的基分类器是决策树,随着决策树数目的变化,对事件检测性能进行调整；后者的基分类器为贝叶斯分类器,并应用五种不同集成规则。论文分析了交通状态判别的实质,即可以理解为分类器学习训练不同类标签的历史交通流数据,并对实时线上交通流数据进行不同交通状态等级逻辑判断的过程。结合北京城市道路交通运行评价指标体系,引入动态分类器集成理论,提出了基于近邻规则分类器集成的交通状态自动判别算法。该方法首先计算每个基分类器在测试集样本邻域中的交通状态判别准确率,进而挑选出局部准确率最高的基分类器并对该测试交通流数据样本进行判别,输出信息即为交通状态等级。在评价判别结果时,引入交通状态混淆矩阵的概念,分别对实际状态和判别状态进行统计分析。从交通状态等级分类和交通状态指标变量的角度出发,分别实现了城市道路交通状态预测。将交通状态等级预测转化为多类分类问题,在构建数据集时把将来的交通状态标签作为历史交通状态标签,利用聚类技术对训练样本空间进行划分,选出效果较好的能力区域对待测交通流数据样本进行状态预测,并结合实地采集的数据验证该方法的有效性；交通状态指标变量的预测和其他预测问题相似,都可以转化为机器学习问题,即给定一个或若干个训练数据集,基于最佳拟合或其他原则训练出一个或多个模型,基于这些模型实现预测。在此理论基础上,提出基于数据扰动分类器集成的交通流量预测方法,该方法不依赖传统默认构建神经网络的参数,以实际交通流数据训练的结果建立神经网络模型并确定最优参数。针对城市道路交通状态判别及预测的实际应用需要,基于本文所提出的交通事件检测、交通状态判别及预测方法,设计开发了基于集成学习的交通状态预报平台。平台实时运行流畅、稳定,数据统计分析合理,为交通管理者和出行者提供了有力的信息支撑和系统保障,也从另一层面验证了本论文研究成果的实用性和有效性。
李萌, 谷远利, 王硕, 陆文琦, 张源[8]2018年在《降雨条件下高速公路短时行程时间预测研究》文中指出为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间。并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型。该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度。选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测。结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0.98,平均绝对百分误差1.99%;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3.40%和2.60%,且拟合程度不如组合预测模型。
彭怀军[9]2018年在《城市道路交通警力资源部署与指挥调度关键技术研究》文中研究表明随着城市道路交通系统的快速发展,交通警力资源缺乏与城市道路交通拥堵的矛盾日益加剧,给交通管理部门带来巨大的压力和严峻的挑战。改革传统的粗放型交通勤务工作模式,实现交通勤务科学化、规范化、精细化管理,是交通管理部门提升管理水平和工作效率的主要目标,也是科技工作者积极努力研究和探索的重点内容。本文运用复杂网络、现代综合评价方法、线性规划、人工智能算法等相关理论方法,研究了交通警力资源部署的定点岗位识别和责任区划分,以及在交通应急处置中警力动态调度的问题和解决方法,重点阐述了定点岗位识别的方法,网格化勤务管理的数学模型和求解算法,以及基于执勤状态的警力指挥调度关键技术。本论文的研究成果主要包括以下叁个方面:1)提出了应用于交通警力资源部署定点岗位识别的交通网络路口节点关键性评价指标体系及综合评价方法根据定点岗位识别影响的动态和静态影响因素,应用城市道路交通网络数据构建拓扑结构和运行状态两类交通网络模型;结合不同交通网络模型中节点重要性指标的实际意义,提出了不同种类的路口节点关键性指标,构建了一套综合反映路口多方面特征的定点岗位识别路口节点关键性评估指标体系;研究TOPSIS-RBF综合评价方法,对指标体系的多指标进行综合评价,得到定点岗位识别中各路口节点关键度评估结果;应用北京市交通网络实际数据进行的实验,构建了拓扑结构网络模型和运行状态网络模型,验证了指标体系各项指标的计算方法以及综合评价方法的有效性。2)提出了网格化勤务管理中以出警时间为标准,进行警力部署的责任区划分的方法提出了应用基本二元覆盖模型集合覆盖模型SCM和最大覆盖模型MCM解决无资源限制和资源受限的两类交通警力部署问题,并构建了基于覆盖度的扩展集合覆盖模型ESCM;揭示了 MCM中限定的部署警力数量应不大于SCM求得的全覆盖最小警力资源数量的关联性,揭示了 MCM和ESCM是求解不同条件下覆盖问题的模型,可以组合形成双目标线性规划模型TOLPM,MCM和ESCM是TOLPM两个单目标最优化问题的求解模型;基于二元覆盖模型在时空特性的扩展,构建了动态覆盖模型的MCM和ESCM,分析了动态覆盖模型的时间非连续性;构建了已部署警力的二元覆盖和动态覆盖模型;针对提出的基本二元覆盖模型、动态覆盖模型以及已部署警力的覆盖模型,阐述了求解这些模型的线性规划法和遗传算法,重点探讨了遗传算法关键步骤和约束条件处理方法,实现不同MCM和ESCM模型的快速求解;通过算法实现和应用交通网络数据的计算实验,完成了覆盖模型和求解算法相关研究内容的验证。3)提出了基于交警执勤状态的警力资源指挥调度方法,研究了方法中交警执勤状态获取和警力资源调度的关键问题提出了基于执勤状态的警力指挥调度方法,通过对交警位置和执勤信息的分析,获取交警执勤状态,结合事件位置、交通状况,及时有效的搜索和调派警力资源;提出了一种基于位置信息的交警个体执勤行为分析方法,实现交警执勤状态的自动判定,提升了动态警力资源调度的有效性;结合动态交通网络特征,提出了具有误差控制能力的最短路径求解优化算法进行警力资源快速搜索和路径规划,阐述了算法的具体实现步骤和误差控制方法,并提出了应用非线性插值法计算误差控制参数的方法;提出了逆Dijkstra算法进行最近警力资源搜索;最后通过算法实现和实际数据实验,验证了具有误差控制能力的优化Dijkstra算法与逆Dijkstra算法的可行性、计算效率。本文研究成果充实了我国交通勤务管理领域的相关理论基础和技术方法,为城市道路交通勤务模式优化调整提供了理论依据,为道路交通警力资源合理部署和交通应急警力动态调度提供技术手段,为智能化交通勤务管理信息化系统建设奠定了技术基础,对建立科学、智能和高效交通勤务管理机制具有重要的理论价值和现实意义。
来建波, 梁虹, 蔡光卉, 张学海[10]2011年在《基于神经网络的路段行程时间预测研究》文中研究表明路段行程时间预测是交通诱导关键之一,国内外关于这方面的研究已十分全面。但考虑到国内大部分交通检测设备的具体情况,只能通过预测路段行程的平均速度,进而预测路段行程时间。本文基于线圈实测交通数据,采用BP和RBF两种神经网络模型分别对昆明学府路一段的行程平均速度进行预测,在输入层对数据进行整合和处理。本文的两种模型在输入端都加入了整个路段的平均占有率,时间间隔取五分钟,输出为路段行程平均速度。论文给出了基于MATLAB7.6工具箱的仿真图,对BP和RBF两种神经网络模型的预测效果进行了比较和分析。研究结果表明,RBF模型预测路段行程的平均速度更为合理。
参考文献：
[1]. 基于径向基函数（RBF）神经网络的路段行程时间预测研究[D]. 朱耿先. 重庆大学. 2004
[2]. 城市路网交通预测模型研究及应用[D]. 张扬. 上海交通大学. 2009
[3]. 基于神经网络的路段行程时间预测研究[D]. 来建波. 云南大学. 2011
[4]. 基于径向基函数神经网络的城市道路路段行程时间实时预测模型[J]. 刘江用, 云美萍, 闫亚文, 杨晓光. 交通信息与安全. 2011
[5]. 基于信号周期的间断流行程时间短时预测[D]. 侯正英. 北方工业大学. 2017
[6]. 基于多断面信息的城市道路网交通流预测方法研究[D]. 崔立成. 大连海事大学. 2012
[7]. 基于集成学习的交通状态预报方法研究[D]. 刘擎超. 东南大学. 2015
[8]. 降雨条件下高速公路短时行程时间预测研究[J]. 李萌, 谷远利, 王硕, 陆文琦, 张源. 交通信息与安全. 2018
[9]. 城市道路交通警力资源部署与指挥调度关键技术研究[D]. 彭怀军. 北京交通大学. 2018
[10]. 基于神经网络的路段行程时间预测研究[C]. 来建波, 梁虹, 蔡光卉, 张学海. 第二届亚太地区信息论学术会议论文集（上册）. 2011
标签：公路与水路运输论文; 计算机软件及计算机应用论文; 径向基函数论文; 神经网络模型论文; 模型预测控制论文; 预测模型论文; 网络模型论文; 误差分析论文; 动态模型论文; 城市道路论文;