基于Elman神经网络的高速公路入口匝道预测控制仿真研究

论文摘要

高速公路交通控制是智能运输系统的重要组成部分,针对传统交通控制技术的缺陷,近年来人们将人工智能(AI)和计算机智能(CI)应用到高速公路交通控制中。神经网络预测控制(NNPC)充分利用了神经网络的非线性映射能力以及预测控制滚动优化、反馈校正的机理,更适用于动态性和时变性的高速公路交通系统的控制。本文以充分利用高速公路现有资源、提高交通流量为目的,对入口匝道控制进行了研究,设计和仿真实现了基于粒子群算法的高速公路交通流预测器和控制器,主要工作如下:首先,分析了高速公路交通流宏观动态模型,建立Elman神经网络模型,并提出了基于粒子群算法(PSO)的Elman神经网络混合优化策略,采用PSO优化连接权值来训练神经网络,与标准BP算法相比,PSO采用实数编码,结构简单,学习收敛快,仿真结果表明该模型适合于高速公路短期交通流预测。其次,针对交通系统具有非线性、动态性和强扰动性,为进一步改善NNPC的性能,构造了基于PSO算法的非线性优化控制器,利用PSO算法对实现控制量的滚动优化,仿真实现了高速公路交通流神经网络预测控制,并就该系统的预测模型、滚动优化算法、反馈校正、仿真参数设置问题等进行了分析。最后通过MATLAB仿真验证,结果表明,与无控制情况和基于遗传算法的协调控制相比,本文提出的改进方法在降低入口匝道平均等待时间、提高服务流量等性能上有较好的控制效果。通过进一步地抗干扰能力测试,证明了该方法具有较好的鲁棒性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景
• 1.2 国内外研究概况
• 1.2.1 国外研究概况
• 1.2.2 国内研究概况
• 1.3 课题研究的内容和目标
• 1.4 内容安排
• 第2章 交通流模型及入口匝道控制分析
• 2.1 高速公路交通流模型
• 2.2 宏观动态交通流数学模型
• 2.2.1 动态密度模型
• 2.2.2 动态流量模型
• 2.2.3 动态速度模型
• 2.3 高速公路系统性能指标
• 2.3.1 入口匝道平均等待时间最小指标
• 2.3.2 总行程时间最小的性能指标
• 2.3.3 总的服务流量最大的性能指标
• 2.3.4 "动能"最大的性能指标
• 2.3.5 行程时间延误最小指标
• 2.4 高速公路入口匝道控制
• 2.4.1 静态匝道控制
• 2.4.2 动态匝道控制
• 2.5 本章小结
• 第3章 高速公路交通流预测模型研究
• 3.1 ELMAN神经网络的原理
• 3.1.1 人工神经网络简述
• 3.1.2 Elman神经网络的结构
• 3.1.3 Elman神经网络的学习过程
• 3.2 粒子群优化算法
• 3.2.1 粒子群算法的生物模型
• 3.2.2 粒子群算法基本原理
• 3.2.3 粒子群算法流程
• 3.2.4 参数设置
• 3.3 基于PSO算法的ELMAN神经网络混合优化策略
• 3.3.1 PSO-Elman策略基本思想
• 3.3.2 PSO-Elman混合优化算法设计步骤
• 3.3.3 PSO-Elman混合优化流程
• 3.4 基于PSO-ELMAN的神经网络辨识预测器仿真试验
• 3.4.1 基于PSO-Elman的神经网络辨识预测器（NNI）
• 3.4.2 仿真试验与比较
• 3.4.3 高速公路交通流密度预测实例
• 3.5 本章小结
• 第4章 基于PSO-ELMAN神经网络的高速公路交通流建模与仿真
• 4.1 引言
• 4.2 高速公路交通流预测原理
• 4.3 PSO-ELMAN神经网络对动态交通流的建模
• 4.3.1 输入输出变量的选择
• 4.3.2 数据的预处理
• 4.3.3 网络设计
• 4.3.4 性能分析
• 4.4 本章小结
• 第5章 基于PSO的入口匝道神经网络预测控制模型与仿真
• 5.1 引言
• 5.2 神经网络预测控制
• 5.2.1 预测控制的基本原理
• 5.2.2 神经网络预测控制的一般结构
• 5.3 基于PSO算法的ELMAN神经网络预测控制
• 5.3.1 Elman神经网络预测模型的建立
• 5.3.2 基于PSO算法的滚动优化
• 5.3.3 反馈校正设计
• 5.4 算法设计与结果比较
• 5.4.1 约束处理
• 5.4.2 仿真参数设置
• 5.4.3 仿真结果与比较
• 5.5 本章小结
• 结论
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文及科研成果