题名 | Bagging集成BP神经网络的短时交通流预测研究 |
作者 | 沈钧珥 |
答辩日期 | 2019 |
导师 | 曹洁 ; 杨波 |
关键词 | 短时交通流预测 小波降噪 BP神经网络 蝙蝠算法 集成算法 |
学位名称 | 硕士 |
英文摘要 | 目前智能交通成为有效缓解城市交通拥堵问题的一种新思想和新技术。实时准确的交通流预测在智能交通中扮演着重要的角色。有效、合理的短时交通流预测为交通管理者及出行者提供实时、准确的交通变化信息,为出行的选择提供准确的依据。但短时交通流具有随机波动性与复杂非线性的特点,使得现有方法的预测精度及预测时间都难以达到实际智能交通的要求。本文从交通流数据的预处理,反向传播(Back Propagation,BP)神经网络的改进及集成等三个方面进行交通流短时预测的方法研究,主要工作如下:1.研究了交通流数据预处理问题。针对交通流数据采集过程中受外界环境噪声干扰及存在的时间序列强相关性,提出一种基于小波和多维重构的BP神经网络交通流短时预测方法。首先运用启发式小波降噪法对原始交通流数据进行降噪处理,剔除数据中的噪声;其次用C-C法将一维交通流数据进行多维度相空间重构,充分挖掘交通流的多维变化特性;并构建多维度的BP神经网络进行交通流短时预测研究,进一步准确的反应交通流的波动变化。2.基于IBA-BP神经网络预测模型的建立。针对BP神经网络方法在进行交通流预测时存在网络准确性差,权值设置敏感等缺点,提出一种改进蝙蝠算法(Bat Algorithm,BA)优化BP神经网络的交通流短时预测方法。首先引入自适应惯性权重和加速因子对原始蝙蝠算法进行优化,提高其收敛速度及寻优精度;其次用改进的蝙蝠算法(Improved Bat Algorithm,IBA)对BP神经网络的权值和阈值参数优化并构建IBA-BP模型进行短时交通流预测,从而提高预测模型的准确度。3.基于Bagging方法集成IBA-BP交通流预测模型。针对单个的BP神经网络存在分类效果不佳,泛化能力低,预测精度低等特点,提出了一种Bagging集成BP神经网络的短时交通流预测方法。首先将采集到的数据进行预处理,并分为训练集和测试集,然后通过bootstrap方式将训练集数据随机分为若干训练子集,用BP神经网络对若干训练子集进行模型训练,最后用测试数据集进行模型测试,对输出结果进行加权平均得到最终结果。多个预测结果共同决定预测结果,大大提高了模型的稳定性以及预测精度。 |
语种 | 中文 |
页码 | 60 |
URL标识 | 查看原文 |
内容类型 | 学位论文 |
源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/95528] |
专题 | 兰州理工大学 |
作者单位 | 兰州理工大学 |
推荐引用方式 GB/T 7714 | 沈钧珥. Bagging集成BP神经网络的短时交通流预测研究[D]. 2019. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论