基于布谷鳥(niǎo)算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)研究

《基于布谷鳥(niǎo)算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、畫(huà)誦驅(qū)隱Ｓｖ＇．？隱＾．ｆ碩±學(xué)位論文ＭＡＳＴＥＲＤＩＳＳＥＲＴＡＴ胃Ｉ議論文題目：基于布谷鳥(niǎo)算法的小波神經(jīng)網(wǎng)絡(luò)劇巧通麵研究ｍ――：黃曉－蓋研究生張翠芳指導(dǎo)教師：．Ｕ４９５國(guó)內(nèi)圖書(shū)分類號(hào)：密級(jí)：公開(kāi)國(guó)際圖書(shū)分類號(hào)：６％西南交通大學(xué)研究生學(xué)位論文基于布谷鳥(niǎo)算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)研究年級(jí)２０１３級(jí)姓名黃曉慧申請(qǐng)學(xué)位級(jí)別題＿±專業(yè)控制理論與控制工程指導(dǎo)老師張翠芳二零一六年五月十八日Ｃｌａｓｓ巧ｅ

2、ｄＩｎｄｅｘ：Ｕ４９５Ｕ．Ｄ．Ｃ６５６：Ｓｏｕ化ｗｅｓｔＪｉａｏｉｘｍｇＵｎｉｖｅｒｓｉｔｙＭａｓｔｅｒＤｅｒｅｅＴｈｅｓｉｓｇＲＥＳＥＡ民ＣＨＦＯ民ＳＨＯＲＴ－ＴＥＲＭＴＲＡＦＦＩＣＦＬＯＷＰＲＥＤＩＣＴＩＯＮＯＦＷＡＶＥＬＥＴＮＥＵＲＡＬＮＥＴＷＯＲＫＢＡＳＥＤＯＮＣＵＣＫＯＯＡＬＧＯＲＩＴＨＭＧｒａｄｅ：２０１３Ｃａｎｄｉｄａｔｅ；ＨｕａｎｇＸｉａｏｈｕｉＡｃａｄｅｍｉｃＤｅｇｒｅｅＡｐｐｌｉｅｄｆｏｒ：Ｍａｓｔｅｒ

3、Ｓｅｃｉａｌｉｔｙ：ＣｏｎｔｒｏｌＴｈｅｏｒｙｐａｎｄＣｏｎ仕ｏｌＥｎｉｎｅｅｒｉｎｇｇＳｕｐｅｒｖｉｓｏｒ：ＺｈａｎｇＣｕｉｆａｎｇＭａ．１８２０１６ｙ，西南交通大學(xué)學(xué)位論文版權(quán)使用接權(quán)書(shū)本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國(guó)家有關(guān)部口或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)西南交通大學(xué)可Ｗ將本論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可Ｗ采用影印、縮印或掃描等復(fù)印手段保存和匯編本學(xué)位論文。

4、本學(xué)位論文屬于１．保密□，在年解密后適用本授權(quán)書(shū)；２．不保密使用本授權(quán)書(shū)。＂＂（請(qǐng)?jiān)冢咨戏娇騼?nèi)打Ｖ）學(xué)位論文作者簽名：黃瞭指導(dǎo)老師簽名：女、一日期：球Ｕｇ日期：西南交通大學(xué)碩±學(xué)位論文主要工作（貢獻(xiàn)）聲明本人在學(xué)位論文中所做的主要工作或貢獻(xiàn)如下：１．簡(jiǎn)要介紹了交通流數(shù)據(jù)的特征參數(shù)Ｗ及實(shí)測(cè)的短時(shí)交通流數(shù)據(jù)來(lái)源，并對(duì)一實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了修正，、降噪、相空間重構(gòu)和歸化等預(yù)處理為短時(shí)交通流預(yù)測(cè)模型的建立做好準(zhǔn)備。２一．提出種基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法，并完成了仿真實(shí)

5、驗(yàn)。結(jié)果表明，基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)效果較好，但仍有提升的空間。３，ａｉｎ．針對(duì)小波神經(jīng)網(wǎng)絡(luò)誤差隨機(jī)性的特點(diǎn)提出基于Ｂｇｇｇ算法的集成小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，使用多個(gè)小波神經(jīng)網(wǎng)絡(luò)共同決定預(yù)測(cè)結(jié)果，。仿真實(shí)驗(yàn)表明一該算法能定程度上克服小波神經(jīng)網(wǎng)絡(luò)不穩(wěn)定的缺點(diǎn)，提高預(yù)測(cè)的精度。４一．小波神經(jīng)網(wǎng)絡(luò)具有對(duì)初值敏感的缺點(diǎn)，針對(duì)這問(wèn)題，本文引入了布谷鳥(niǎo)算法來(lái)優(yōu)化集成小波神經(jīng)網(wǎng)絡(luò)的巧始參數(shù)，提出了基于布谷鳥(niǎo)算法的Ｂａｇｇｉｎｇ集成小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)算法。為了比較布谷鳥(niǎo)算法與當(dāng)前熱

6、口的智能算法在短時(shí)交通流預(yù)測(cè)方面的性能，分別完成了基于遺傳算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉ化ｍ，ＧＡ）和基于粒子群算法（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）的集成小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，基于布谷鳥(niǎo)算法的Ｂａｇｇｉｎｇ集成?。崳姴ㄉ窠?jīng)網(wǎng)絡(luò)在短時(shí)交通流預(yù)測(cè)上具有更高的精度。一５．對(duì)基本的布谷鳥(niǎo)算法進(jìn)行了改進(jìn)，提出了種自適應(yīng)布谷鳥(niǎo)算法，該算法一基于鳥(niǎo)巢更新率自適應(yīng)調(diào)整的原理，能夠定程度上提高系統(tǒng)的預(yù)測(cè)速度和泛化能力，Ｂａｉｎ。最后完成

7、了基于自適應(yīng)布谷鳥(niǎo)算法的ｇｇｇ集成小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)仿真實(shí)驗(yàn)。結(jié)果表明，該模型有著較高的預(yù)測(cè)精度和較好的穩(wěn)定性，具有實(shí)用價(jià)值。，本人鄭重聲明：所呈交的學(xué)位論文是在導(dǎo)師指導(dǎo)下獨(dú)立進(jìn)行研究工作所得的成果。除文中己經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體己經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果，。對(duì)本文的研究做出貢獻(xiàn)的個(gè)人和集體均己在文中作一了明確說(shuō)明。本人完全了解違反上述聲明所引起的切法律責(zé)任將由本人承擔(dān)。學(xué)位論文作者簽名：黃峻蒼＾■日期：巧化；，化西南交通大學(xué)碩±研究生

8、學(xué)位論文第Ｉ頁(yè)摘要交通流預(yù)測(cè)是智能交通系統(tǒng)的熱點(diǎn)。近些年來(lái)，各個(gè)領(lǐng)域的研究者們提出了很多交通流預(yù)測(cè)的方法，其中，智能學(xué)習(xí)方法最為活躍。但交通系統(tǒng)自身的復(fù)雜一性和高度非線性，使得至今沒(méi)有種算法可實(shí)現(xiàn)短時(shí)交通流的精確預(yù)測(cè)，關(guān)于短時(shí)交通流預(yù)測(cè)的研究也從未停下腳步？。本文首先對(duì)來(lái)源于美國(guó)明尼蘇達(dá)德盧斯大學(xué)交通數(shù)據(jù)研究實(shí)驗(yàn)室的交通流數(shù)據(jù)進(jìn)行識(shí)別，完成數(shù)據(jù)的補(bǔ)缺，、修正和降噪處