基于神经网络的城市车辆行程时间预测技术与应用

论文摘要

城市车辆行程时间预测是交通流诱导系统研究的一项重要内容。几十年来,专家和学者们用各种方法建立了许多相对精确的预测模型。由于城市交通网络是个复杂的系统,不同时段的交通数据之间的关系是非线性的,常规方法的建模遇到了诸多问题。人工神经网络具有可以任意精度逼近非线性系统的特征,在处理非线性关系方面具有明显优势。本文首先研究了交通流短期预测模型应具备的特性,讨论了几类主要模型的结果和精确度,并着重研究了基于BP神经网络行程时间预测技术,该技术根据交通流量、历史行程时间等因素,建立城市车辆行程时间预测的BP神经网络模型,并对不同的模型结构对预测性能的影响进行了详细评测,最后选择有较好预测性能的网络结构用来预测车辆行程时间。最后以实际道路为例,对模型进行了实际验证,取得较好的效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 问题背景
• 1.2 工程背景
• 1.3 工程现状
• 1.4 行程时间的预测
• 1.5 本文的研究目的和研究内容
• 第2章 国内外研究技术现状
• 2.1 引言
• 2.2 技术发展动态
• 2.3 小结
• 第3章 BP神经网络
• 3.1 引言
• 3.2 人工神经元的基本结构
• 3.3 BP神经网络
• 3.3.1 BP网络结构及其学习算法
• 3.3.2 BP网络相关参数的确定
• 3.4 BP网络模型特点分析
• 3.5 本章小结
• 第4章 用于行程时间预测交通数据的采集
• 4.1 引言
• 4.2 数据采集内容
• 4.2.1 直接采集方式
• 4.2.2 间接采集方式
• 4.2.3 接口方式和采集操作流程
• 4.2.4 地面道路车牌识别数据采集
• 4.3 目前上海市道路交通信息采集的覆盖范围
• 4.4 对数据进行预处理
• 4.4.1 交通信息采集数据质量问题
• 4.4.2 交通信息采集数据预处理流程
• 4.4.3 交通信息采集数据预处理方法
• 4.5 对数据进行统计分析
• 第5章 基于BP神经网路的行程时间预测模型
• 5.1 基本思想
• 5.2 进行影响车辆行程时间诸因素的相关性分析
• 5.3 建立预测模型
• 5.4 预测模型的实现
• 5.5 功能要求
• 5.5.1 前端设备
• 5.5.2 通信传输
• 5.5.3 中心处理
• 5.6 预测结果的误差分析
• 5.7 预测结果讨论
• 第6章 结论与展望
• 参考文献
• 致谢