基于数据挖掘的前向型神经网络在交通流时序预测中的应用

摘要

随着数据挖掘在各个领域内的展开,各种数据挖掘技术开始向深层次发展,其中比较有特色的新数据挖掘技术就是神经网络技术.神经网络技术是一种起源于仿生的技术,神经网络的构建目前尚未有比较成熟的理论来指导,一般只是用试探寻优的方法来实现,但是关于神经网络的学习训练则有比较成熟的理论指导.在本文讨论的前向型神经网络中最为典型的就是BP算法,目前关于对BP算法的改进研究也比较流行.随着计算机技术的发展,人们只需要几个函数几行代码就可以应用先进的神经网络技术,而不用去理解详细的神经网络原理,这使人们能够省下很多时间,把更多的精力放在对所要解决问题的研究上.因此神经网络的应用也得到了很大的普及.在解决交通领域内的问题时,神经网络具有得天独厚的先天优势,其中最为重要的就是神经网络可以很好的解决交通领域内的非线性问题,其中前向型神经网络特别适合对交通流的预测.随着人们对智能交通体系的要求提上日程,随着神经网络在训练速度和预测精度等方面不断的提高,把神经网络用于建设智能交通体系成为了一种非常明智的选择.为此,本文针对问题的现状与趋势,在总结他人成果的基础上,开拓创新,做了以下几方面的工作:1.在总结数据挖掘发展的基础上,对数据挖掘的概念、任务、方法进行了全面,细致而又带有创造性的总结,并且对数据挖掘的发展趋势进行了有充分依据的预测;2.对神经网络技术进行了全面系统的总结,并着重总结了用于前向神经网络的BP算法的实现与改进,提出了自己对改进的看法和建议,并在此基础上讨论了一种广义神经网络的构建问题;3.对数据挖掘、神经网络与交通流预测的关系进行的多方面的说明,使文章脉络更加清晰;4.通过预测仿真试验,讨论了前向型神经网络的设计对战略交通流时序预测效果的影响,并提出了对网络设计的建议;5.对BP算法提出了分四步走的全面智能改进方法,并把这种方法应用于对战略交通流的动态时序预测,通过仿真证明了这种改进的优异效果;6.提出了一种新型的用正弦余弦函数组构建的广义神经网络,并把它用于短期交通流的动态时序预测中,通过仿真证明了这种广义神经网络的先进性.

目录

文摘

英文文摘

东南大学学位论文独创性声明及使用授权声明

第一章绪论

1.1本文选题的依据及其意义

1.2数据挖掘概论

1.2.1数据挖掘的发展概况

1.2.2数据挖掘的任务

1.2.3数据挖掘和其它相近分析技术的区别

1.2.4数据挖掘研究趋势分析

1.3数据挖掘、神经网络与预测

1.3.1神经网络在数据挖掘中的地位和作用

1.3.2预测与神经网络、数据挖掘的关系

第二章数据挖掘的过程及其神经网络挖掘方法

2.1 FAYYAD过程模型与CRISP-DM过程模型

2.1.1 Fayyad过程模型及其存在问题分析

2.1.2 Fayyad过程模型的改进和CRISP-DM过程模型

2.2神经网络挖掘方法概论

2.2.1数据挖掘四类方法

2.2.2神经网络技术发展历程

2.2.3神经网络特征分析

2.2.4神经网络应用过程

2.2.5神经网络的学习

2.2.6学习与自适应

第三章用于数据挖掘的前向型神经网络模型

3.1BP神经网络研究及其改进

3.1.1BP神经网络原理

3.1.2对BP网络的评价及其改进

3.2基于线性独立的函数组的广义前向型神经网络

3.2.1智能神经元模型的构建

3.2.2广义前向型神经网络的模型及其学习算法

第四章前向型神经网络在交通流时序预测中的应用

4.1神经网络与智能交通系统

4.1.1智能交通的概念及体系结构

4.1.2神经网络在交通运输领域中的应用

4.2前向型神经网络的设计及其在战略交通流时序预测中的应用

4.2.1交通流时序预测模型的建立

4.2.2网络权值和阀值初始化对训练和预测结果的影响

4.2.3网络结构对预测结果的影响

4.3基于改进BP网络的战略交通流动态时序预测算法

4.3.1改进BP网络的交通流动态时序预测算法

4.3.2实验仿真算例及结果

4.4基于广义神经网络的短期交通流动态时序预测方法

4.4.1智能神经元模型与广义神经网络的构建

4.4.2交通流预测模型与实例分析

结论

致谢

参考文献

个人简介