| 【中文题名】 | 交通流预测与配流的研究 |
| 【英文题名】 | |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-5-26 |
| 【中关键词】 | 交通流预测,神经网络,动态交通配流,并行遗传算法,网格计算, |
| 【英关键词】 | traffic flow prediction,neural network,dynamic traffic assignment,parallel genetic algorithm,grid computing, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
目前，作为解决交通拥挤问题最适宜的方法————交通诱导及交通配流成为智能交通系统研究的关键问题。本文将神经网络应用到交通流预测中。在分析传统神经网络缺陷基础上，运用线性独立函数构建了智能神经元模型，并对这种神经元的知识存储能力进行了理论分析。分析表明这种智能神经元较普通神经元具有更高的知识存储能力，从而使整个神经网络的信息处理能力得到大大增强。文中将这种智能神经元组成的神经网络应用于交通流预测，对大连市实测交通流数据进行了预测分析。实验结果表明由这种智能神经元组成的神经网络具有更高的收敛速度和精度，预测效果远远优于常规BP网络，达到实测路况交通流预测所需精度及收敛速度，具有较高实用价值。文中还给出了行程时间推算和路径优化的方法，提供了交通诱导的全套解决方案。
在智能交通系统研究的推动下，使得动态交通分配理论成为研究热点。作为一种新的全局优化搜索算法，遗传算法得到广泛应用。在上述理论基础上，实现了最优控制动态交通分配的主从式并行遗传算法，并在基于分布式存储和消息传递体系结构的曙光机群系统下，应用并行编程环境PVM下master／slave模式完成了上述算法。文中还应用具体网络算例测试了该优... |
| 【论文题纲】 |
|
0 前言 |
7-12 |
|
0．1 研究背景 |
7-8 |
|
0．2 研究现状 |
8-10 |
|
0．3 本文的主要工作 |
10-11 |
|
0．4 本文结构 |
11-12 |
|
1 广义神经网络的研究及其在交通流预测中的应用 |
12-26 |
|
1．1 问题提出 |
12-13 |
|
1．2 传统BP神经网络分析 |
13 |
|
1．3 智能神经元模型 |
13-16 |
|
1．4 广义神经网络模型及学习算法 |
16-20 |
|
1．5 交通流预测模型与实例分析 |
20-22 |
|
1．6 行程时间的推算 |
22-24 |
|
1．7 基于交通流预测的交通诱导系统的模型 |
24-25 |
|
1．8 小结 |
25-26 |
|
2 最优控制动态交通分配的并行遗传算法 |
26-35 |
|
2．1 问题提出 |
26-27 |
|
2．2 交通网络动态配流的分类 |
27-28 |
|
2．3 最优控制动态交通分配及其遗传算法模型 |
28-30 |
|
2．4 交通分配模型的主从式并行遗传算法 |
30-31 |
|
2．5 并行环境及提高并行性能的主要方法 |
31-32 |
|
2．6 网络算例研究 |
32-33 |
|
2．7 小结 |
33-35 |
|
3 基于网格环境的交通流预测的研究 |
35-51 |
|
3．1 问题提出 |
35 |
|
3．2 网格计算技术简介 |
35-38 |
|
3．2．1 网格基本结构 |
35-37 |
|
3．2．2 globus项目简介 |
37-38 |
|
3．3 网格计算平台的实施 |
38-44 |
|
3．3．1 网格实验平台结构 |
38-39 |
|
3．3．2 Globus软件包安装与调试过程 |
39-43 |
|
3．3．3 最短路径问题在网格环境下的实现 |
43-44 |
|
3．4 理工大学计算网格模型的构建 |
44-46 |
|
3．4．1 硬件环境描述 |
44 |
|
3．4．2 软件环境描述 |
44-46 |
|
3．5 基于网格的交通信号控制系统 |
46-49 |
|
3．5．1 交通信号控制系统内站设备 |
46-47 |
|
3．5．2 交通信号控制系统外站设备 |
47-48 |
|
3．5．3 网格环境下的交通控制系统模型 |
48-49 |
|
3．6 网格环境下交通预测的研究讨论 |
49-50 |
|
3．7 小结 |
50-51 |
|
结论与展望 |
51-52 |
|
参考文献 |
52-55 |
|
| 【DOI】 | LunWen.ID:2.2008.386725 |
