基于人工神经网络的智能交通调控研究——以济南市历下区为例

摘要

随着我国每年机动车数量的快速增长伴随而来的是各大城市交通系统的拥堵程度不断提高，而城市交通拥堵的不断提高使市民正常出行城市物流运转都成了问题。智能交通系统对城市交通的调控能够疏导城市车辆流挖掘城市交通系统自身潜力，因此对于我国部署智能交通系统是缓解城市交通拥堵的有效途径。人工神经网络是智能交通系统对城市交通调控方面起到支撑作用的主要算法，现今基于人工神经网络的智能交通调控研究逐渐成为了研究热点。 人工神经网络具有优秀的数据拟合能力且广泛用于复杂非线性系统发展趋势预测，但人工神经网络运用于智能交通调控的研究在我国存在交通监控领域发展不足导致的交通样本数据难以获取问题和仅对单条道路的交通流进行预测无法验证人工神经网络对区域交通系统调控的有效性问题。本文在前人研究的基础上，使用统一建模语言对智能交通软件建立模型，收集2017年6月份济南市历下区交通基本数据和开发智能交通仿真软件对研究进行支持。通过生产训练样本数据训练反向传播人工神经网络，然后使用反向传播人工神经网络对济南市历下区仿真交通系统进行调控获取调控后拥堵总量数据，最后与无调控济南市历下区仿真交通系统拥堵总量数据和真实交通系统拥堵总量数据对比验证基于人工神经网络的智能交通调控对济南市历下区仿真交通系统状态和真实交通系统状态起到改善作用完成研究。本文的主要研究成果如下： （1）开发智能交通仿真软件，对基于人工神经网络的智能交通调控研究进行支持。智能交通仿真软件以交通系统和人工神经网络模型为基础使用C#语言和XAML编程语言在Visual Studio平台上开发，实现了系统参数设置和数据可视化，可以通过基本交通数据生产人工神经网络训练样本数据、训练人工神经网络以及进行交通调控模拟。 （2）通过调控后拥堵总量数据与无调控济南市历下区仿真交通系统拥堵总量数据对比验证了基于人工神经网络的交通调控能够对济南市历下区仿真交通系统状态起到改善作用。信号时间增减量分别为1、2、3、4和5时对济南市历下区仿真交通系统状态优化效果分别为为1.74%、2.56%、3.93%、3.68%、和4.12%。 （3）通过调控后拥堵总量数据与2017年6月份济南市历下区真实交通系统拥堵总量数据对比，调控后的交通仿真交通系统状态要优于济南市历下区真实交通系统状态。信号时间增减量分别为1、2、3、4和5时调控后的交通仿真交通系统拥堵总量数据对比济南市历下区真实交通系统低1.83%，2.65%，4.02%，3.77%和4.21%。 （4）通过区域基本交通数据生产的训练样本数据训练人工神经网络，然后使用训练完成的人工神经网络对该区域的仿真交通系统进行调控研究具有可行性。

目录

第一个书签之前

基于人工神经网络的智能交通调控研究.pdf

2.pdf

Abstract

1 绪论

1.1研究背景与意义

1.2智能交通系统在国内外的发展

1.3人工神经网络在国内外的研究

1.4论文的研究内容及技术路线

2书写交通仿真软件模型的语言UML

2.1UML概述

2.2UML的核心元素

2.3使用UML语言构建交通仿真软件模型

3 BP人工神经网络算法

3.1人工神经网络的特性

3.2BP人工神经网络模型及学习过程

3.3BP人工神经网络算法在软件中的设计

4 智能交通仿真软件设计

4.1智能交通仿真软件定义及功能需求

4.2智能交通仿真软件开发约束

4.3智能交通仿真软件数据管理

4.4智能交通仿真软件系统架构

4.5智能交通仿真软件交通实体类

4.6 交通仿真软件交互界面

5 基于人工神经网络的智能交通调控研究

5.1智能交通调控的预测模型

5.2 济南市历下区交通基本数据收集与入库

5.3调控算法训练样本数据的生产

5.4调控算法的训练

5.5对济南市历下区仿真交通的调控

5.6交通系统状态分析

6 结论与展望

6.1结论

6.2不足与展望

参考文献

附录

攻读学位期间发表的学术论文