道路交通专业毕业设计外文翻译.doc

毕业设计（论文）外文翻译题 目 基于OD矩阵神经网络与主成分分析法的路段流量估算专 业基于OD矩阵神经网络与主成分分析法的路段流量估算Lorenzo Mussone1, Matteo Matteucci21建筑环境部科学技术，米兰理工大学，意大利mussonepolimi.it，通过Bonardi，9，20123米兰2电子及信息部门，米兰理工大学，意大利matteuccelet.polimi.it，通过Ponzio，34 / 5，20123米兰摘要：本文从OD矩阵估算的处理方法基础上提出了道路网络链接的共享计算应用技术。该两个应用场景：一个试验网络和一个实际的那不勒斯农村网络，都模拟了一个已知的微型模拟器动态分配矩阵。为了输入公路网络研究数据的可行性，一种利用主成分分析法(PCA)(主成分分析)技术也被用来降低输入空间变量的影响以取得更好的意义。版权 2006国际会计师联合会关键词：OD估算，神经网络，主成分分析，路段流量的措施，方差稳定1. 引言本文分析了城市网络自从80年代中期以来的道路循环发展问题。许多均衡与动态的计划和控制方法都是基于一个最初OD矩阵的目标地址。现场调查来建立的模型非常昂贵而且不能具有高重复频率。多年来因为这个原因,方法和操作方案已经试验过很多次，他们的目标是建立一个少成本的路段流量OD矩阵。 为了解决这一难题，研究者提出了很多OD估算方法。一些是基于平均信息量最大化,在所有可用的路径上最大化；在某一些情况下建立的一个没有客观参考、估算评价或估算指标等的OD矩阵模型（Van Zuylen 和 Willumsen，1980）。该模型后来扩展到拥挤网络中优化问题,通过制定一种变分约束导致disequality双极程序。由于非凸性和非差分，这种双级方法很难得到最后的最优解决方法。弗洛里亚诺和陈(1995)制定的一种启发式方法(高斯-赛德尔式)能以限制目标的校正O / D矩阵来收敛到最优解。 其他方法是基于这些利用统计特性观察变量的模型。比如梅尔曾(1983)提出了,通过一个平常的多元分配与基质分布和为链接流动有关的贝叶斯估计。Cascetta(1984)提出的一个基于广义最小二乘估算。在1988年Cascetta、Nguyen概述的OD矩阵估算统计方法，作为通用和约束的最小二乘法和贝叶斯类型。这些研究中大多数假定一个固定的百分比或链接路径选择的用户计算有确定性的平衡分配模型。这可能导致特别是在网络非常拥挤的时候，不一致的流量和ODA矩阵。为了克服这个局限性，Cascetta（1989）提出了一种像随机变量的阐明来解释链接和路径流动，因此，就获得了这些变量平均值的价值。在这一研究方向也有其他人的论文，比如YANG等人（1992），而且在不断的改善（YANG等人，2001）；这些人在1996年提出了一种使OD矩阵估算使用的同时链接流量数据和信息的链接选择比例的统计方法。GONG在1998年使用一个神经网络当作一个工具，用以求解最优化的问题，但是在同一类引用之前，由一个平均信息量最大化的问题。 本论文为了解决共享计算机技术的OD矩阵估算，特别是从道路网络流量链接的神经网络知识。它工作的一个应用多层前馈神经网络OD矩阵利用接近的典型的特征来估算；没有松动的共性，它们被假定链接一个测量和OD矩阵的连续关系上。由于前馈神经网络的学习机制，无论如何，同时期的相关链接流OD矩阵的知识使极其必要的。这个要求多亏了那不勒斯大学的运输实验（Bifulco,2004）,他们汇总了所有必要的和那些通常不容易实地收集到的信息，并且具有必要的完整性。2. 数据预处理信号的清理和标准化对于接下来得到一个更简单神经网络使很有必要的。其基本思想是可以把这个问题归结为固定条件下减少问题,如果不能,则稳定之间的关系及其方差信号。在本文，我们主要集中在信号方差稳定阶段，我们没有缺失数据或有错误的测量结果。 在文学的定义，有几个稳定形成了强大的意义上，我们可以完成完整的陈述过程，但这是这不实际，因为需要指定无限对分配的约束矩（Bittanti,1986）。一个简单的方法来降低问题的稳定性二阶统计量(即信号分布可被完全描述使用前两阶矩)施加恒定的期望值和一种基于协方差函数独立于具体的时间,但是基于指标只能依赖于它们的区别。接下来时间的不变转移让我们使用这个较弱的假定期望值和发差的稳定性。 (弱)的平稳过程所涉及的是经典最小二乘法最小化的方法。自从反向误差函数最小化，通过训练程序学习神经网络的权值也属于这个框架,能够成为一个经典的梯度下降或另一种训练算法的总和,是平方误差之间（K-dimensional）目标价值和网络的输出。误差函数在学习中可被看成是极大似然估计的神经网络的参数(如下.权重)假设在指标权重下，被中断的类型（也就是神经网络输出）同高斯噪音 N(0, )作为一个从高斯程序取样的平均值。如果我们计算出最大似然估计的(记录数据)这意味着(也就是,最大似然估计的神经网络的权值),原来是等价于经典最小二乘法最小化。当在程序中不稳定时，这其中的的研究方法不回取得任何结果了（例如，与非对称误差和噪音测量）可以看出，信号的预处理需要正常化的信号的。每逢非平稳信号后仍然是趋势( f(t)= kt)和季节性( f(t)= s(t +wT)（清除(k)、w和T是不变的）,我们应该探讨信号均值和方差之间的关系。一个由专业人员就函数方差平均值举得相关例子：通常当平均值增加，函数的方差也增加。在这些例子中，方差的稳定性转变是非常有用的（Montgomery e Peck, 1992 and Potts, 1999）。第二个问题，在研究神经网络的过程中，一般来说，建模就是所谓的诅咒维数（Scott, 1992）。高维空间的研究一般很难，所以一般经常前后处理数据减少输入和输出行集数来避免经常出错。在处理交通网络流量向量的行集数的数量时候,这需要在网络电弧能相当大的情况下的复杂网络。因为这样可用的样本，以及弧流是高度相关地，我们能运用这样的性能通过丢掉一小部分信息去减少明显地输入。运用主成份分析（Lebart et al，1977）的方法，我们能通过保护信息信号方差的方式来减少维度。利用主成分分析法的目的是为了定义正交空间（向量）通过大量的解释信号方差：一旦这个空间已被定义，我们可以预测我们给第一个组件上的数据通过失去只有少量的方差，因此这仅仅为一个最低限度的信息。组件的数量可以直接被选择,或者可以被定义为组件的数量保存某个给定的方差。我们总是在连续的实验的方差达到99%以上，然而显著减少输入维数,因为较高的关联分析在链接的流动。以划分对应的特征向量(减少)的空间在网络图获得我们所说的特征图;这样,我们就能有一个可视化的链接以便更高的贡献的主成分。在接下来的情况、弧与更高的贡献是较厚且他们的颜色是红色的,如果他们有一个积极的贡献,不然它是蓝色的。特征图的可视化,也就是说,该程序的流量矩阵和特征图,显示在接下来的章节,是投影的交通流到特征图的电弧空间;像以前一样,有较高的贡献和他们流量是厚的颜色是红色,如果他们有一个积极的贡献否则他们的颜色是蓝色。3. APPLICATION SCENARIOS3.1模拟器试验的典型场景,是指那不勒斯大学运输部门所开发的公路网络仿真环境。该模拟器能够重现动态机动车中的交通运输需求的排气流量。需要建立实验的定义、需求和供给的运输系统,所有模型和程序必须被校准。因为这个原因,一个有6节点(其中有3个仿真)及12链接的试验网络被使用(图1) 图1：第一个简化网络实验图2:用于那不勒斯农村公路网省图解的网络然后，这样做的目的是使更多的可能应用于程序的风景，一个真正的土地制度已经在报告中调查了它的人口特征及活动地点，实际运输供应。领土范围是那不勒斯省从其农村公路网络提取的（图2）. 这个网络已经有994节点(其中有45仿真)和1363环节(减少为1190后卸无流量)联系在一起的。3.2 机动车排气流链接和需求交通运输需求的特点是动态的，每天每15分钟更新。 流动对每一个环节被检测到是五分钟一班。这试验的网络,需求是被一个3x3的矩阵和节点1和6是起源的仿真;1、4、6节点是仿真(目的地一共有四个非空的单元)。仿真的日子都是15。为那不勒斯全省网络（最后网络）的景观更为复杂。需求的单元描述是由48x48与1004非空单元（缺乏2304）和在这一天结构高度变化的过程。除了高可变性的需求必须强调非空的单元落下的15分钟的间隔通常都不重叠的。单元少于10小时，每车都取消了，主要有两个原因：首先是减少数据分散 其次是因为它是非常困难，这些低的数值具有统计意义，而它很可能不给他们一个真实的信息。最后的矩阵有因此726非空的细胞(大约占总数31%)和投资等方面的非空的细胞的数量大约28%,但随着需求的减少,只有约8.8%。15天也是模拟这个场景但是很显然,数据量的使用有超过十几倍(总要求是41,488,230费/ h)。为两个网络记录的数量是1440为4320 OD需求,为链接的流动。因为这个原因,每一行的OD需求(10至15分钟的间隔)所涉及的是三排流动有相同的15分钟间隔,导致4320个记录无论是对OD需求量和连接的流动都是一样的需求。利用数据集在审查中,然后观察情节的季节性,我们可以认为过程中方差值较低时,季节性水平较低,而相反地,当季节性价值高，它也是高的。假设这一点是合理的，那么寻找分析存在的解析关系季节性（基本上是平均）和方差就是可靠的了。它们之间的关系存在，并且这两个变量（图3）的确定过程并不是固定的。从这个数字很可能认为,方差和平均相关,特别是由非线性关系的二次型之一。在这种情况下，一个可能的稳定技术方差是应用对数变换。下面的结果表明,这种转变一定允许我们来为RMSE指数造成结果不稳定来提高一些百分比性能。然而, 虽然在运输中的应用是相当频繁，但是必须强调这种结果的不一般。 平均值与方差 平均值图3:在OD数据中平均值和方差之间的关系。4. EXPERIMENTAL VALIDATION在人工神经网络应用于到O / D估计中我们实施了在第二节详细介绍的预处理，然后使方差的日志转换。降维已经获得，投影在特征图上。减少后的数据集划分为三个亚群使用统一的随机抽样;第一个子集已被用于培训网络,第二个已经被使用在了早期阻止和选择网络拓扑结构,而第三个子集已被用来评估网络泛化性能数据，但是数据性能上从未见过。该模型的泛化性能,进行评定使用最小/最大/平均误差和误差百分比的O / D后再次评定后处理网络输出方差平均值关系。测试网络的总数是十二(即组成部分的数量,等于弧)和贡献的方差的第5块被刊登在表1。第3组成部分（特征值）97%的方差解释信号和第5解释99%的信号的方差。值得注意的是那一种特征流代表了87%的总信号方差的估计。下面的图表显示在图4的中显示在网络图上的头两部分特征向量;二是在图5显示的是两个重要的特征向量。结果表明,从这些情节最重大的贡献,给出了电弧的1、2、3、4、和第9。在最后的网络主成分的数量和贡献迷途信号方差的第10个报道在表2。表1:方差解释的前五名特征值(试验网络)。特征值 解释号码 方差 1 87.0 2 5.4 3 4.3 4 1.7 5 0.9图。 4：绘制图（特征图）的前两个 特征向量（试行网络） 图5：前两部分图形的特征流 表2:方差解释为头十个特征值(最终网络)特征值 解释 特征值 解释号码 方差(%) 号码 方差(%) 176.4361.05 25.7571.00 33.8280.70 42.5990.58 51.29100.55 第6个特征值的总和达到90%以上,第92解释方差特征值解释在99%以上,494特征值能够较好地解释99.9%迷途。在图6四个图代表的组成特征向量图第4时在图7第4 特征流。一个完整的分析十分复杂,有些方向超出了纸本的范围;但是,作为再一看还是可能注意到某种骨干中部的网络。 图6:图形特征图)的情节(第四个特征向量(最终网络)图7:图形的情节,第四个特征流 (最后网络)神经网络应用于这份研究有很多种层拓扑连接只有前馈(图8); 它是作为输入的特征图训练使用以及投影矩阵的物流和产生这些流动外径为输出。隐藏的节点有双曲正切活化功能的同时,输出层已呈线性关系。选定的拓扑结构通过交叉验证有10个神经元的隐藏，50测试网络和最后的网络;输入层神经元数在取决于元件的数量和使用在减少投入的数量，在输出层神经元数等于淘汰ODs的数量。考虑到所有的组件的总数(即权重参数)的两种模型分别是160审理网络和84,450为最后的网络。通过减少解释方差的输入99%的总数,我们降低参数的数量在第一个模型是90和在第二个模型为40,900 图8：多层感知神经网络结构OD估算5. RESULTS5.1 试验网络图9和10个结果采用前五名的特征值(99%的总变记录的四个淘汰ODs物质)的报道。预测和实际数据之间的关系一直是非常高的,而且它并不变化不大,利用五个特征值替代了十二个。相关的四个淘汰ODs物质与第5个特征值配置在范围0.86-0.89。图9:预测和实际曲线进行了4个淘汰ODs物质的检测，该试验网:1 - 4(a)、1 - 6(b),6 - 1(c),6 - 4(d)图10:相关性预测和真正的组合导航系统 数据(试验网络):1 - 4(a)、1 - 6(b),6 - 1(c),6 - 4(d)。图11:预测和实际曲线:OD 211 - 246(a)、12 -31日(b),13-36(c),13-46(d)(最终网络)。5.2 最终网络为这个网络特征值的一些可能的组合进行了试验。图11结果有四个显著淘汰ODs物质被报道使用第一92(在1190)特征值解释99%的总变异量。错误是2.14(平均比例图12:相关性和真实的OD数据预测:OD 211 - 246(a)、12-31(b),13-36(c),13-46(d)(最终网络)。预测和实际数据之间的关系一直是非常高的,在范围0.81-0.93之间。(图12) 它必须强调在这种情况下神经网络能够证明有足够好信号峰。这种行为是特别好,为OD 13-46 d(项目)一直孤立的山峰上几乎为零的信号。低的数值通常是预测具有良好的精度。在案件的一个信号与很多的噪音(项目c)预测可以跟得不够好,尽管它不是在预测在低价值波动的完美的山峰。也当电信号具有一个有限的范围(项目)时预测跟实际数据,不会损失信号的精度。6. 结论本文在OD矩阵估算的基础上,利用链路流量,得出了一个合理的运行结构采用了神经网络模型。结果也为大中型神经网络有很大的促进作用,而且足以证明潜在的实用性。实验进行流程的所有的网络连接，但是必须强调,这并不是一个极限的方法。未来的研究将调查多少性能降低,降低数量的链接用于估计问题。为了追上那个问题所产生的具有统计意义的数量有限的数据、技术降低输入空间,比如,利用主成分分析法(PCA)预处理的数据,如方差稳定技术,已经得到了成功的应用。利用主成分分析法(PCA)应用程序有一个相关的角色不仅达到一种相当大的模型的性能,而且也将评价该网络的特征图的流动和投射在他们身上。这是一个合理认为这些图包含其他信息,一个方便的连接的数减少为了保持一个良好的水平OD估计性能。信号稳定,发展在细节,在另一份研究,也有重要的作用和允许我们进一步增加模型的性能。研究的观点多种多样，它强调的策略方向重要性和模拟器的虚拟现实,为我们提供了一个相当详细描述场景分析和模仿的方法。必须强调的战略 重要性，即虚拟现实模拟器为我们提供了相当详细的说明并对各种情况进行分析和建模。 该模拟器可作为一个初步的调查工具来调查网络结构和行为的特征图和特征流，评估多个链接代表描述了整个网络，分析需求，最后作出了必要的综合和稳定。参考文献Bifulco G.N., 2004. Road transport systems in information society (in Italian). ISBN 88-7999- 857-9, Aracne, Roma.Bishop, C.M.,1995. Neural networks for pattern recognition. Oxford University Press, Oxford.Bittanti, S., 1993. Prediction and filter theory (in Italian). Pitagora Editrice, Bologna, 4th ed.Cascetta E., 1984. Estimation of trip matrices from traffic counts and survey data: a generalized least squares estimators. Transpn. Res. 18B,289-299.Cascetta E., 1989. A stochastic process approach to the analysis of temporal dynamics in transportation networks. Transpn. Res.23B,1-17.Cascetta E., Nguyen S., 1988. A unified framework for estimating or updating origin/destination matrices from traffic counts. Transpn. Res. 22B, 437-455.Florian M., Chen Y., 1995. A coordinate descent method for the bi-level O-D matrix adjustment problem. Int. Trans. Opl. Res. Vol.2, 165-179. Going Z., 1998. Estimatine the urban OD matrix: a neural network approach. European Journal of operational research 106, 108-115.Lebart L., Morineau A., Tabard N., 1997. Techniques de la description statistique: mthodes et logiciels pour lanalyse des grands tableaux. Dunod, Paris.Lo H.P., Lam W.H.K., Zhang N., 1996. Estimation of an origin-destination matrix with random link choice proportions: a statistical approach. Transpn. Res. 30B, 309-324.Maher M.J., 1983. Inferences on trip matrices from observations on link volumes: a Bayesian statistical approach. Transpn. Res.17B, 435-447.Scott D.W., 1992. Multivariate Density Estimation, Wiley, NY.Van Zuylen H.J., Willumsen L.G., 1980. The most likely trip matrix estimated from traffic counts. Transpn. Res. 14B, 281-293.Yang H., Meng Q., Bell M.G.H., 2001. Simultaneous estimation of the origin-destination matrices and travel-cost coefficient for congested networks in a stochastic user equilibrium. Transportation Science 35, 107-123.Yang H., Sasaki T., Iida Y., Asakura Y., 1992. Estimation of origin-destination matrices from link traffic counts on congested networks. Transpn. Res. 26B, 417-434.OD MATRICES ESTIMATION FROM LINK FLOWS BY NEURAL NETWORKS AND PCA Lorenzo Mussone1 , Matteo Matteucci21Department of Building Environment Science Technology, Politecnico di Milano, Italy mussonepolimi.it, via Bonardi, 9, 20123 Milano 2 Department of Electronic and Information, Politecnico di Milano, Italy matteuccelet.polimi.it, via Ponzio,34/5, 20123 Milano Abstract: The paper tackles OD matrix estimation starting from the measures of flow on road network links and proposes the application of soft-computing techniques. The application scenarios are two: a trial network and the real rural network of the Province of Naples both simulated by a micro-simulator dynamically assigning known OD matrices. A PCA (Principal Component Analysis) technique was also used to reduce the input space of variables in order to achieve better significance for input data and to study the possible eigengraphs of the road networks. Copyright 2006 IFAC Keywords: OD estimation, Neural Networks, PCA, Link flow measures, Variance stabilization1. INTRODUCTIONThe analysis of urban networks was organically and significantly developed since the middle of 80s in order to solve problems related to road circulation. Many planning and control methodologies both with equilibrium and dynamic approaches are based on the use of an origin destination matrix (OD). Field survey necessary to build this matrix is expensive and cannot be repeated with a high frequency. For this reason, methodological and operating alternatives have been experimented since many years and they aim at building the OD matrix by using link flows that generally cost less to be measured. In order to solve the problem of OD estimation many approaches have been developed. Some are based on entropy maximization that is on the maximization of trip distribution dispersion on all available paths; in some cases the built model refers to an OD matrix objective without referring indeed to estimation errors, or to statistic estimation indexes or to likelihood functions (Van Zuylen and Willumsen, 1980). This model was later extended to congested networks by formulating an optimization problem with variational disequality constraints leading to a bi-level programme. The bi-level approach presents some difficulties to find the optimal solution because of non-convex and non-differential formulation. Florian and Chen (1995) formulated a heuristic approach (of Gauss-Seidel type) capable of the Gauss-Seidel type) capable of converging on an optimal solution by limiting the objective to the correction of the O/D matrix.Other approaches are based on models that use the statistical properties of observed variables. For instance Maher (1983) proposed a Bayesian estimation by means of a normal multivariate distribution both for matrix distribution and for link flow; Cascetta (1984) used an estimation based on generalized least squares (GLS). An overview of statistical methods for estimating OD matrix can be found in Cascetta and Nguyen (1988); it regards generalized and constrained least squares and estimation of likelihood and the Bayesian type. Most of these studies assume a fixed percentage of link or path choice calculated by a deterministic user equilibrium assignment model. This can cause some inconsistency between flow and the OD matrix especially when the network is highly congested. In order to overcome this limitation, Cascetta (1989) proposed interpreting link and path flows as stochastic variables and, therefore, values obtained by a SUE assignment like the average values of these variables. On the same line there are other papers such as Yang et al. (1992), and in a successive reelaboration in (Yang et al., 2001); Lo et al. (1996) proposed a unified statistical approach for the estimation of the OD matrix using simultaneously link flow data and information about link choice percentage. Gong (1998) uses a Hopfield neural network as a tool for solving an optimal problem, formulated however as an entropy maximization problem, of the type cited before. The aim of this paper is to solve OD matrix estimation by soft computing techniques, specifically neural networks, starting from the knowledge of flow measures on road network links. It works out an application of multilayer feed-forward neural networks in order to estimate OD matrices by using the well-known approximation property typical of these models; without losing generality, the existence of a continuous relationship between flow measured on links and the OD matrix that produces them is assumed. Because of the learning mechanism of feedforward neural networks, however, the contemporary knowledge of OD matrix and related link flows is required for the training set. This requirement is achieved thanks to the laboratory of the transport group of the University of Naples (Bifulco, 2004) that produced all necessary information usually not easy to collect on the field with an adequate time detail and with the necessary comprehensiveness.2. DATA PRE-PROCESSINGSignal cleaning and normalization are fundamental to get an easier training of neural networks. The basic idea is to reduce the problem to stationary conditions or, if not possible, to stabilize the relationship between the signal mean and its variance. In this paper, we focus mainly on signal variance stabilization; there are no missing data or erroneous measurements. In literature there are a few definitions of stationarity; in a strong sense we can state complete statistical stationarity for the observed process, but this is impractical since it requires specifying infinite constraints on the moments of the distribution (Bittanti, 1986). A simpler approach reduces the problem of stationarity to second order statistics (i.e., the signal distribution can be completely described using the first two moments) by imposing a constant expected value and a covariance function independent from specific time indexes, but depending only on their difference . In the following we use this weaker definition of stationarity assuming that expected value and covariance are invariant with respect to time shifts.The interest on (weak) stationary processes is related to the classical least squares minimization approach. Also learning neural network weights by backpropagation pertains to this framework since the error function minimized by training procedure, being this the classical gradient descent or another training algorithm, is the sum of squared errors between the ( .-dimensional) target value and the network output :(1)Learning by using this error function can be seen as the maximum likelihood estimation of neural network parameters (i.e. the weights) under the hypothesis of being a corrupted version of (i.e., the neural network output) with Gaussian noise N(0, ), thus being an i.i.d. sample from a Gaussian process with mean . If we compute the maximum (log) likelihood estimation of this mean (i.e., the maximum likelihood estimation of neural network weights), it turns out to be equivalent to the classical least squares minimization.When the process is non-stationary this learning approach does not hold up any more (e.g., with non symmetric error/noise in measurements) and preprocessing is required to “normalize” the signal. Whenever the signal remains non-stationary after trend (f(t)=kt) and seasonality (f(t)=s(t+wT) removal (k, w and T are constant), we should investigate the relationship between signal mean and variance; an important example of this relationship is given by a variance that is a function of mean: usually we have a variance that increases when mean increases. In these cases, it is useful to apply variance stabilizing transformations (Montgomery e Peck, 1992 and Potts, 1999).A second issue in learning with neural networks, and modeling in general, is the so-called curse of dimensionality (Scott, 1992). Learning in high dimensional spaces is hard and error prone so it is common practice to pre-process data to reduce input and/or output cardinality. Dealing with traffic networks the flow vector has the cardinality of the number of arcs in the network and this can be quite large in the case of complex networks. Since available samples, as well as arcs flows, are highly correlated, we can use this property to reduce significantly input dimensionality by losing only a small amount of information. Using PCA (Principal Component Analysis) (Lebart et al., 1977) we can reduce dimensionality by preserving information in the form of signal variance. The aim of PCA is to define an orthogonal space (eigenvectors) ordering its bases by the amount of explained signal variance; once this space has been defined we can project our data on to