短时交通流预测模型的研究开题报告

全文总字数：3829字

1. 研究目的与意义（文献综述）

近年来，交通拥堵已成为许多国家面临的严重问题，它不仅造成时间的浪费，交通事故发生率的提高，也增加了能源的浪费，加剧了环境污染。为了缓解上述问题，众多学者对交通流问题进行研究。短时交通流预测是根据过去一段时间内的交通流量信息，对未来较短时间内的交通流信息做出预测，以便于交通控制和诱导，达到提高运输效率、缓解交通拥堵的目标^[1]。

短时交通流预测模型应具备实时性、准确性、可靠性。纵观短时交通流量预测研究，其大体可分为下面两类：以数学和物理方法为基础的传统算法和以模拟技术、神经网络、模糊控制等现代科学技术方法为基础的预测算法。其中，神经网络模型因具有无需建立精确数学模型，可拟合任意复杂的非线性问题的优点被广泛运用到短时交通流预测^[1-5]。

2. 研究的基本内容与方案

拟从短时交通流模型，深度回声状态网络，群智能优化算法三个方面展开研究。根据文献，构建基于深度回声状态神经网络的短时交通流预测模型，针对深度回升状态网络的参数及超参数选择，引入群智能优化算法对模型的参数超参数选择进行优化，以获得较优的参数超参数选择，实现精准短时交通流预测。

拟最终搭建出一个短时交通流模型并获得良好的预测效果。首先根据[12]中深度回声网络模型（如图1所示），和公式（如公式2，3）用python搭建出深度回声状态神经网络模型并进行测试，然后将模型用于交通流预测，用群智能优化算法对模型进行调参，优化，以致获得良好的预测效果。(具体模型见附件)

3. 研究计划与安排

3.20-3.31 搭建出深度回声状态网络模型

4.01-4.10 将模型用于短时交通流预测

4.11-4.20 对交通流信号进行预处理，以获得较为干净的交通流信号

4. 参考文献（12篇以上）

[1].刘艺, 张琨. 基于小波去噪和ga-elman神经网络的短时交通流预测[j]. 交通科技与经济,2015, 17(6):80-85.

[2].wang l , zeng y , chen t . back propagation neuralnetwork with adaptive differential evolution algorithm for time seriesforecasting[j]. expert systems with applications, 2015, 42(2):855-863.

[3].yang, h. and x. hu, wavelet neural network with improvedgenetic algorithm for traffic flow time series prediction. optik, 2016.127(19): p. 8103-8110.