基于分片线性神经网络的交通流预测

发布时间：2023-11-18 10:26

　　在智能交通系统中,短时交通流预测能有效改善交通拥堵,提高出行效率,具有重要的学术价值和现实意义。针对交通流预测问题,大部分现有模型仅考虑当前预测路段的历史交通流数据作为特征信息。实际上,影响交通流的因素繁多,且影响程度不一。本文综合考虑不同因素在不同维度上对交通流的影响,并且改进已有的分片线性神经网络,深入研究模型的可解释能力,并将其应用于交通流预测问题中,在实现精确预测的同时实现变量选择和分析,主要工作如下:从自适应链接超平面AHH模型出发,本文首先针对现有的基于树形拓扑结构的AHH辨识算法,提出随机自适应链接超平面RAHH方法,大大加速了现有的AHH辨识算法并且精度也得以保证。进一步,本文研究基于AHH网络拓扑结构的快速链接超平面神经网络EHH,提出采用分位数策略对网络训练中的分割节点选取进行改进,避免数据分布不均匀的情况,改进了已有的神经元选取方法。随后,本文分别从模型特点分析以及数值实验对比了RAHH及EHH。基于此,以EHH网络为基础,深入分析了模型可解释能力,讨论如何对EHH进行网络分解得到不同变量对模型输出的影响,并研究相应的变量分析与选择方法。本文将具有可解释能力的EH...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景和意义
    1.2 国内外研究现状及分析
        1.2.1 交通流预测的研究现状
        1.2.2 分片线性神经网络的研究现状
    1.3 本文的主要研究内容
第2章 交通流预测问题
    2.1 交通流宏观参数及特点
        2.1.1 交通流宏观参数
        2.1.2 交通流数据特点
    2.2 交通流数据采集及预处理
        2.2.1 交通流数据采集方法
        2.2.2 异常数据的识别与处理
    2.3 交通流预测模型
        2.3.1 常规的交通流预测模型
        2.3.2 交通流预测模型综述
    2.4 本章小结
第3章 基于随机策略的分片线性网络
    3.1 分片线性函数
        3.1.1 简介
        3.1.2 分片线性函数在神经网络中的应用
    3.2 随机自适应链接超平面模型
        3.2.1 AHH模型
        3.2.2 RAHH模型
    3.3 快速链接超平面网络及其改进
        3.3.1 网络结构
        3.3.2 训练方法
        3.3.3 EHH网络中神经元选取的改进
    3.4 RAHH与EHH模型特点
        3.4.1 模型结构特点
        3.4.2 模型可解释性分析与变量选择
    3.5 模型仿真实验
        3.5.1 RAHH随机策略及EHH神经元的改进
        3.5.2 RAHH,EHH及其他模型对比
    3.6 本章小结
第4章 基于分片线性神经网络的交通流预测
    4.1 交通流预测问题描述
    4.2 基于EHH网络的交通流预测及分析
        4.2.1 交通流预测方案
        4.2.2 基于EHH网络的交通流特征分析与变量选择
    4.3 交通流预测仿真实验
        4.3.1 数据预处理
        4.3.2 特征分析
        4.3.3 变量选择
        4.3.4 模型预测结果与对比
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：3865103