資源描述：
《基于徑向基函數(shù)（rbf）神經(jīng)網(wǎng)絡的路段行程時間預測研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、重慶大學碩士學位論文中文摘要摘要交通流誘導和線路引導是2l世紀現(xiàn)代地面運輸管理體系的模式和發(fā)展方向。建立交通流誘導和線路引導系統(tǒng)的關鍵是要能較準確地預測未來時段內(nèi)的路段行程時間，路段行程時間預測還是智能交通信息系統(tǒng)的重要內(nèi)容，因此，城市交通路段行程時間預測研究有著十分重大的意義。交通參數(shù)與路段下一時段的行程時間之間的關系是非常復雜的，采用傳統(tǒng)的方法難以取得理想的預測效果，比如卡爾曼濾波算法適應性不強，BP神經(jīng)網(wǎng)絡可以反映行程時間的變化趨勢，但預測精度較差。徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡，作為一種新型的數(shù)學建模方式，它可以根據(jù)具體問題確定相應的網(wǎng)絡拓撲結構，學習速度快，具有自動
2、聚類、自學習、自組織的功能，不會出現(xiàn)局部極小值問題，它對連續(xù)非線性函數(shù)具有一致逼近性，因此，論文提出了基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡路段行程時間預測的模型。論文首先介紹了路段行程時間預測的已有方法，分析了它們的優(yōu)勢和不足，在探討了交通參數(shù)的常見檢測方法的基礎上，提出了基于車型識別的雙線圈路段平均速度求取方案，接著，論文探討了RBF神經(jīng)網(wǎng)絡的原理、特點、結構、實現(xiàn)并應用于路段行程預測，提出了基于RBF神經(jīng)網(wǎng)絡的路段行程時間預測模型，通過仿真驗證了其預測效果，并從實驗和理論上與卡爾曼濾波和BP網(wǎng)絡的預測性能傲了系統(tǒng)的比較，證明了基于RBF神經(jīng)網(wǎng)絡的路段行程時間預測有較好的適應
3、性、實時性和準確性，在行程時間可實測的路段上它可以取得較為理想的預測效果，在行程時間不可實測的路段，其預測效果也是可以接受的，它克服了卡爾曼濾波算法對行程時間實測的依賴性和僅僅根據(jù)數(shù)據(jù)的表面特征迸行參數(shù)優(yōu)化和預測的局限性，可以進行大范圍的數(shù)據(jù)融合，整體預測性能比卡爾曼濾波算法和BP神經(jīng)網(wǎng)絡要好，從而證明了基于徑向基函數(shù)(砌3F)神經(jīng)網(wǎng)絡的路段行程時間預測是可行的。關鍵詞：路段行程時間預測，交通參數(shù)檢測，卡爾曼濾波，BP神經(jīng)網(wǎng)絡，RBF神經(jīng)網(wǎng)絡重盎奎堂堡圭堂垡笙苧莖塞塑莖ABSTRACTWit}ltherapiddevelopmentofintelligenttranspor
4、tationsystem．thetrafficflowguidancehasbecometheimportantmodeofthemodemtrafficmanagementsysteminthe21thcentury．HowtopredicttheroutetraveltimeaccuratelyiSthekeytechnologyofagoodtrafficflowguidancesystem，andwhichisalsooneofthebasicaspectsoftheintelligenttransportationinformationsystem，SOitiss
5、ignificanttOstudythemethodsofforecastingtheaccuratetraveltimeintransportationengineeringandcontr01．ItiSratherdifficulttopredictthetraveltimeusingthetraditionalmethodsbecauseofthecomplexityofthetransportationnetworks，F(xiàn)orexample，theadaptabilityoftheKalmanfilteringtheoryisnotgoodenoughtodoit，
6、theBPneuralnetworkCanpredictthetraveltimeandreflectitstrendbuttheprecisionCallnotmatchwiththedemandofforecastperformance．Asanewmodelingmethod．RadialBasisFunction(RBF)neuralnetworkCanIearllregulationsformhistorydata、auto-clusterandorganizenetvvorkstructureaccordingtO百venissue，itcarlovercolT
7、letheshortcomingofpartialminimumpointproblemwhichOCCURSintheBPnearalnetwork．RBFnetworkiSwildlyusedforitsexcellentperformanceinmanyfieldssuchassystemrecognitionanddynamicforecastingandso0n．soweput如rwazdareal，timetraveltimepredictionmodelbasedontlleRBFneuralnerw
