城市主干道交通状态预测方案的设计

I五邑大学本科毕业设计摘要本文在参考国内外研究的基础上，针对城市主干道交通的非线性和时变特性给出了拥算法和模型的原理使用条件进行探讨，分析交通流预测与拥堵识别之间的关系。另外，在阐述主干道定义，特点和速度和流量变化的基础上，建立基于交通流量的主干道交通预测系统仿真II五邑大学本科毕业设计eIII五邑大学本科毕业设计 IV五邑大学本科毕业设计 1五邑大学本科毕业设计的背景及理论随着现今社会城市化的加剧，城市交通拥挤以及突发性的交通事故正严重地困扰着世界各国的大中城市，解决这些问题的社会意义、经济意义已成为全球的共识。从近几年世界各国的发展趋势来看，本课题研究的重点是为了解决交通基础设施供应不足、交通混乱和交通效率低下这些方面的问题。通过交通规则和交通控制可以解决交通基础设施供应不足、交通混乱造成的问题，而交通流诱导则是目前公认的解决交通效率和某个路段发生交通意外或者车辆多过就会导致交通受到干扰，从而使城市交通网的使用效资源，造成重大的污染，甚至给环境的治理都提高了不少难度。有报告显示，北京的交通拥挤使北京市每年要热岛效应和臭氧空洞种种都与交通拥挤所排放出的废弃物有重大的关系，而政府每年花在发展和人们的生活都有重大的影响，是政府及每个人都应重视的问题。的实际意义性和随1.3城市交通信息预测理论的发展和研究现状城市交通状态的最主要的信息是交通流量和道路交通时间，动态交通分配的核心内容的国家起步较早，并取得了一些具有影响力的成果。ARIMAMA模型等。2五邑大学本科毕业设计交通流量、历史交通流量、车辆行驶平均速度等对为了某时刻的交通流量进行预测。与前两种方法向相比较，第三种方法没有时间延迟，动态特性相对较好。但是其网络结构设计和算法缺乏好的理论指导依据，可使用性不强。要研究内容路段上的实时交通状态与历史时间上的交通状态是有着必然的联系，同时每个路段都只是路网的一部分，每个路段的交通状态都会受到上下游各路段的交通状态的影响，因此每个路段的交通状况必定会和相连路段过去的时段的交通状况有着密不可分的内在联系。这些交通状况的信息量就可以用来预测路段未来的某个时间段的交通状态。运用神经网络结合短时交通流量的理论基础来建立城市主干道交通状态预测模型，找内容安排文共分成四章，各章内容安排如下：第二章交通流的相关理论及研究。运用数学和力学定律，研究道路交通流运行规律及训练方式，然后利用原先所测交通流数据进行仿真，并将仿真数据与实际对比。本章首先介绍了课题的学术背景及理论与实际意义，接着描述了城市交通信息预测理3五邑大学本科毕业设计研究在一定环境条件下交通流随时间和空间变化规律的模型和方法体系称为交通流理论体系。交通流是研究道路上行人和机动车在成列和个别行动中的规律，通过研究车流流量、车流速度和密度之间的关系，使道路交通设施的利用率得到提高，以减少事故发生和这一时期车辆保有量低，大部分公路上行驶的车辆相互干扰较少，能够相对自由的前行。由于发达国家汽车产业的发展和道路建设，道路交通状态的规律需要摸索并进行科学计的方法建立的模型描述交通流量和速度之间的关系，研究各类型路口交通状态。这一时期发达国家的道路和汽车保有量快速增长，道路线程急剧增加，交通规划和控制得到越来越多的关注。因此，要发展交通流理论来保障规划和控制得更好、更科学。车辆数目的明显增长，车辆之间相互影响严重，自由流的情况较少出现，大多数的车辆都是的单一车道上的行驶时后车跟随前车的行驶状态，并用动力学模型表达及进行数学分析。通问题。此阶段城市状态。因此这阶段应用流体力学的基础原理，模拟流体的连续性方程，建立车流的联系方程，用水波而抽象的车流波来比喻车流密度的稀疏变化，通过对车流波的传播速度的认真分析，寻找车流流量，车速与密度之间的关系。通数据的采集。可得到的交通数据有：车速、车流量和道路占有率。4五邑大学本科毕业设计sV=L(tt)e10(1)检测工具对单一车辆闭环时间(h)用tt表示；(2)有效检测工具长度跟车的均长之和(km)用L表示。eQV=Le.9sV=1=nlnVii=1ii=1siiTii=1i数(辆)，时间间隙(h)，对应车辆引起的检测工具闭环时间(h)速度的关系fjj得b=k，将a和b代入上式，得速度—密度关系式：kj5得vf=0，即k=j，代入式(2-8)得：得vf=0，即k=j，代入式(2-8)得：q=jfv=v(1k)fkj流量的关系q=v(kk2)fkjm2kvkfkm2jkvm4m4fkjvjfjvf(2-7)(2-8)(2-9)(2-10)2m2mmmf2.5本章小结本章简单介绍了交通流的概念及其基本模型，并分析研究了交通流参数之间相互的关6五邑大学本科毕业设计3.1神经网络的概述人工神经网络(ANN)是智能控制领域研究历史上相对比较长但发展历经曲折的交叉此外，它还有学习功能，通过学习来获取外部的知识并将其存储在网络内，尽管无法与人脑的完美无缺相媲美，但它可以解决计算机不易处理的难题，特别是组合优化计算，智能控制，语音和图像的理解、识别和知识的处理等一系列本质上为非计算的问题。此外，它是一种多输入，单输出的非线性元件。从连接方式上看可分成相互结合型和中各层的神经元只接收前一层神经元的输出。而相互结合型网络中任意两个神经元间都有可能连接，所以输入信号需在神经元间传来传去，开始于某一初态，变化多次，慢慢达到某一稳态或者周期振荡等状态。基于人工神经网络的控制，神经网络的学习能力，容错能力，鲁棒性和非线性映射能大的发展。系统能适应不确定性、时变的对象与环境等功能在人们心目中越来越重要。此具有这些优点的神经网络让人们不得不重视它。3.2人工神经元模型生物神经元的简单化和模拟构成了人工神经元，它是人工神经网络处理基本信息的单元，是人工神经网络设计的基础。I=nwx9ijiiij=1y=f(I)ii7五邑大学本科毕业设计wwj1x1xx2wif(*)xyj2jini作用函数f(*)又叫做变换函数，神经元的输出由它决定。作用函数f(*)通常为阶跃函类型|l_1v三_1(3-4)(3-5) 8五邑大学本科毕业设计3.3神经网络模型前向型神经网络，在计算输出值的过程中，输入值从输入层单元向前逐层传播经过中间层最后到达输出层得到输出。前向网络第一层的单元与第二层所有单元相连，第二层又与其上一层单元相连，同一层中的各单元之间没有连接。前向网络中神经元的激发函数，可采用线性硬阀值函数或单元上升的非线性函数等来表示。输入层隐含层输出层9五邑大学本科毕业设计反馈网络又称动态神经网络或回归网络，与其他网络所不同的是，反馈网络的输出不仅和当前网络的输入有关，也和网络以前的输出、输入有关。它的输入包含有延迟的输入或者输出数据的反馈。反馈网络以回馈的形式来看，有两种：一种是输入有延迟的实践延迟回馈网络，另一种是输入有延迟，输出有回馈的层回馈网络。反馈网络中，系统的初始状态由输入信号决定，随后经过一系列状态转移达到最后的平衡状态即计算后的输出结果。由此可见，稳定性在反馈网络中有举足轻重的地位。倘若想是网络竞争层中的各神经元通过竞争来获取对输入模式的响应机会，最后仅剩一个输出它竞争的方向调整。3.4神经网络的特点及其应用4．神经网络的硬件实现超大规模集成电路(VLSI)硬件的实现，使人工神经网络能有效且快速地解决规模很大的问题。五邑大学本科毕业设计3.5神经网络的学习式将均为小正数的权值反复加载后使网络不断受到刺激，直到产生同样的刺激，并最终使相应的连接权增大到接近1的某值。简单来说就是加入了相似的或已学习过的刺激后，输出端产生的。输入端加载输入数据，再通过比较网络的实际和期望输出得到误差，然后由误差的情况绝大部分要修改各连接权值，使网络向正确响应的方向变化到实际输出减去期望输出在允许范围之内为止。bij本对也先给定；然后再算目标函数J，那么神经元以第p组样本为输入的输出公式为： j=0五邑大学本科毕业设计((3-9)2p_p2ppp2p_p2ppp 采用的是有导师学习方法。首先设置一个较小的随机非0值作为初始权值。然后给定设神经元i到神经元j的连接权值是wij，神经元i的输入为vi，则连接权值的调整公式为编wij=a(vi_wij)(3-13)iviwij是外星学习规则。适3.6本章小结本章首先对神经网络进行了详细的概述，然后再对其结构模型进行了详细的说明，最后论述了其特点及学习方式、算法，使人对神经网络有初步认知。五邑大学本科毕业设计1.1概述输出层和隐含层有类似于前馈网络的连接方式。输入层单元和输出层单元分别起信号传输顾名思义是用来记忆中间层单元前一时刻的输出值并返回给输入。它通过存储内部状态使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力，它能够更生动、更直kw1kDDDcck输出y(kx(k)x(k)kk的输入，此自联方式使其敏感于历史状态的数据。同时，网络本身处理动态信息的能力也随内部反馈网络的加入大大增强，最后达到了动态建模的目的。此外，承接层从中间层接受反馈信号，用它来记忆中间层单元前一时刻的输出值。前馈网络的输入包括外部输入值x(k)=f[w1x(k)+w2u(k1)]kck五邑大学本科毕业设计x(k)=x(k1)cy(k)=g[w3x(k)]kkkk由式(4-1)-(4-3)得：x(k)=x(k1)=f[w1x(k1)+w2u(k2)]ck1ck1又因为xc(k1)=xc(k2)，上式能继续展开。说明了x(k)与过去不同时刻的连接权c (w1,w2，…)有关,也就是说x(k)是一个动态递推过程。对应的，动态反向传播学习kkcPF五邑大学本科毕业设计.2.1仿真背景响，如气候、时间等等。但在某个特定的时间段内，每条干道上的车流量、车速甚至是车的类型又是有规律可循的，其具有丰富的内部层次有序结构，是一种介于随机性和确定性之间Elman网络的交通流量进行预测。.2.2样本数据选择样本数据对网络泛化能力有关键性的影响，训练网络所使用的样本数据应从样本的质量、数量和代表性三个方面考虑。样本质量高低和样本数量的多少都影响着系统的准确性和可行性，样本的质量越高，数量越多，则所得到的系统盼函数越准确，系统的拟合程度有这两方面都具备了才能提高网络的拟合能力。训练用的样本决定了网络性能的好坏，而一个注重了样本规模的同时又注重了样本质量的训练样本集才算得上一个好的样本。，影响。因此，网络训练的输入-输出非线性映射关系的复杂与否决定了其所需要的样本数的多少。影射关系越复杂，则样本噪声就越大，所需要的样本数也越多，因而网络的规模也就越大。一般来说我们都会参考这样的一个经验规则：训练样本数为网络连接权总数的5有另一类样本集中输入，权值就会向新的映射关系去调整，同时也否定前面的训练结果。.3神经网络输入数据的归一化处理S入五邑大学本科毕业设计着中间部分预测比两端要精确得多。尤其是在高端预估得一般比实际值低，而在低端预估得一般比实际值高，即是说用神经网络预测出来的范围要小于实际范围。为此输出数据需被压缩到离中心点较近的范围内，就像对于对数函数的输出，需缩放至0.1~0.9间甚至是，需把它变换至一个相对较小的范围内，如在0~1间。xn其中，输入或输出数据用X表示；数据变化范围的最小值用Xmin表示；数据变化范完成网络设计后，需用设计值进行训练。对所有样本正向运行一轮并反向修改权值一一个网络的泛化能力的好坏决定着其性能的优劣，而测试其泛化能力要用训练集以外随机地分为两部分：一部分作为训练集；另一部分作为测试集。倘若网络对训练集样本的误差很小，而对测试集样本的误差很大，说明网络已经被训练得过度吻合，所以泛化能力很差。而网络实现的类似查表的功能会在过度训练的极端情况下显示。“traindx”或“triangda”更少，因此采用“trainlm”作为训练方法。五邑大学本科毕业设计作位每小时记录一次，交通流实测数据192个。中山解放路某路口东西直行的部分交通流量数据时间段时间段流量时间段流量2.5仿真程序及结果用作测试集，设置回归神经网络的输五邑大学本科毕业设计========五邑大学本科毕业设计五邑大学本科毕业设计=====五邑大学本科毕业设计差(%)(%)流量预测值流量预测值流量实际值P123456789五邑大学本科毕业设计4.3本章小结n五邑大学本科毕业设计结论随着社会经济的发展也带动着交通的迅猛发展，交通工具的飞速发展，给人们带来了极大的方便，极大地提高了人们的生活范围，但是，随着人们出行率的提高和私家车拥有量的飙升，很多时候让我们对于出行是敢想而不敢为。短短的一段路，倘若塞起车来，用网络流行点的话语来讲是一塞回到解