【正文】 法分析數(shù)據(jù)，能夠有效評(píng)估判別道路的擁堵情況，得到的結(jié)果也是比較合理準(zhǔn)確的。外部因素是國(guó)內(nèi)經(jīng)濟(jì)的高速發(fā)展，汽車擁有量的劇增；而內(nèi)部因素則是車輛的日益增長(zhǎng)速度與城市的道路發(fā)展落后之間的不協(xié)調(diào)。關(guān)鍵詞 城市交通；道路擁堵；概率神經(jīng)網(wǎng)絡(luò)；測(cè)試數(shù)據(jù)；仿真研究AbstractIn recent years, traffic congestion has not only brought inconvenience to people’s daily life, but also has bee a factor hindering economic development. Aiming at the problem of nonlinear classification in traffic congestion judgment, a method based on probabilistic neural network (PNN) is proposed. Combined the theory of probabilistic neural network, speed, traffic volume and occupation ratio of a previous moment and the later moment are taken as inputs. Simulation research is carried out with the sample data, the result is satisfying.Key words urban traffic road congestion probabilistic neural network test data simulation study目 錄摘 要 IAbstract II第1章 緒論 1 課題背景 1 研究的目的和意義 1 國(guó)內(nèi)外文獻(xiàn)綜述 2 本文的主要內(nèi)容 3第2章 概率神經(jīng)網(wǎng)絡(luò)原理 4 概率神經(jīng)網(wǎng)絡(luò)模型 4 概率神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu) 6 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 6 概率神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn) 7 本章小結(jié) 8第3章 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的使用 9 引言 9 神經(jīng)網(wǎng)絡(luò)工具箱下的系統(tǒng)建立與仿真 9 使用神經(jīng)網(wǎng)絡(luò)工具箱的命令行方式建立 9 使用神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶界面建立 10 本章小結(jié) 14第4章 基于概率神經(jīng)網(wǎng)絡(luò)的擁堵判別設(shè)計(jì)與仿真 15 道路擁堵判別的系統(tǒng) 15 概率神經(jīng)網(wǎng)絡(luò)輸入變量的選擇 15 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù) 15 基于概率神經(jīng)網(wǎng)絡(luò)的擁堵判別系統(tǒng)建立 17 概率神經(jīng)網(wǎng)絡(luò)的擁堵判別仿真 17 MATLAB程序及仿真結(jié)果 17 MATLAB程序 17 仿真過(guò)程數(shù)據(jù) 21 仿真結(jié)果 27 本章小結(jié) 27結(jié) 論 28參考文獻(xiàn) 29致 謝 30III 第1章 緒論 課題背景隨著經(jīng)濟(jì)的發(fā)展，人們生活水平的不斷提高，汽車逐漸成為了許多市民出行首選的交通工具，并以倍數(shù)增長(zhǎng)的速度進(jìn)入千家萬(wàn)戶。五邑大學(xué)本科畢業(yè)設(shè)計(jì)基于概率神經(jīng)網(wǎng)絡(luò)的道路擁堵判別摘 要近年來(lái)，交通擁堵嚴(yán)重不僅給人們的日常生活帶來(lái)諸多的不便，甚至成為了經(jīng)濟(jì)發(fā)展的阻礙因素。然而，由于汽車擁有量不斷增加，人們出行頻率不斷地提高，道路的通行能力不足以滿足人們的日常出行需要，由此引發(fā)了各種各樣的交通問(wèn)題，而交通擁堵就是最為常見(jiàn)的一種交通問(wèn)題。針對(duì)交通擁堵的情況，我們常常會(huì)通過(guò)浮動(dòng)車法等傳統(tǒng)方法來(lái)分析連續(xù)時(shí)間和空間內(nèi)速度與密度的比例分布，以此來(lái)確定道路的擁堵情況。面對(duì)交通擁堵這個(gè)嚴(yán)峻的挑戰(zhàn)，我們急需一種能夠判別道路擁堵與否的方法，對(duì)城市大大小小的道路進(jìn)行檢測(cè)，從而保證時(shí)效性和準(zhǔn)確性地檢測(cè)出道路擁堵的情況，進(jìn)而由交通管理部門對(duì)擁堵情況采取適當(dāng)?shù)慕煌ù胧?，降低交通擁堵發(fā)生的頻率，盡可能提高道路的通行能力，保證城市道路的暢通。著眼于現(xiàn)有城市道路規(guī)劃，基于概率神經(jīng)網(wǎng)絡(luò)的前提下，找出科學(xué)的、有效的、全面的方法，判斷出道路擁堵的位置所在，發(fā)現(xiàn)潛在的道路擁堵問(wèn)題，從而有效引導(dǎo)道路交通，讓道路保持暢通，達(dá)到出行輕松方便快捷的目標(biāo)，同時(shí)也可以降低由于道路交通所引起的各種大氣環(huán)境污染。從目前的情況來(lái)看，世界各國(guó)專家也專注于對(duì)交通擁堵的研究，但是缺少了一個(gè)對(duì)交通擁堵的定量標(biāo)準(zhǔn)，所以解決道路上的擁堵問(wèn)題值得深入探究。文獻(xiàn)3闡述了基于學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)的算法理論，運(yùn)用這種神經(jīng)網(wǎng)絡(luò)的算法設(shè)計(jì)出擁堵預(yù)測(cè)的系統(tǒng)，并利用相關(guān)的數(shù)據(jù)和MATLAB神經(jīng)網(wǎng)絡(luò)工具箱對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終系統(tǒng)的仿真效果良好。 文獻(xiàn) 7 提出支持向量機(jī)(SVM)的算法，把這種算法運(yùn)用于高速公路事件檢測(cè)，用改進(jìn)的模糊C均值聚類方法進(jìn)行預(yù)處理訓(xùn)練數(shù)據(jù)，不但提高了支持向量機(jī)的訓(xùn)練速度，而且能夠大幅度減少訓(xùn)練樣本的數(shù)量。 本文的主要內(nèi)容全文共分4章。第4章 主要利用概率神經(jīng)網(wǎng)絡(luò)工具箱，根據(jù)交通量、車輛速度和占有率的樣本數(shù)據(jù)，設(shè)計(jì)了用于判別道路擁堵的概率神經(jīng)網(wǎng)絡(luò)，并用樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練與仿真，得到令人滿意的結(jié)果。[4]概率神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖如圖21所示。概率神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣IW1,1被設(shè)置為輸入向量矩陣Pm的轉(zhuǎn)置矩陣，權(quán)值矩陣LW2,1被設(shè)置為目標(biāo)向量矩陣T。[6]綜上所述，在訓(xùn)練網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)直接存儲(chǔ)訓(xùn)練樣本向量作為網(wǎng)絡(luò)的模式樣本向量，在完成非線性處理后，再送入求和層中。與常用的反向傳播神經(jīng)網(wǎng)絡(luò)相比較，概率神經(jīng)網(wǎng)絡(luò)的主要有以下優(yōu)點(diǎn)：（1） 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間比反向傳播神經(jīng)網(wǎng)絡(luò)短，訓(xùn)練過(guò)程簡(jiǎn)單，能夠及時(shí)利用實(shí)時(shí)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。（5） 概率神經(jīng)網(wǎng)絡(luò)的誤差幾乎為零，容錯(cuò)能力強(qiáng)，準(zhǔn)確率高，而且不存在局部最優(yōu)的情況出現(xiàn)。[4]該工具箱幾乎涵蓋了所有的神經(jīng)網(wǎng)絡(luò)的基本常用模型和訓(xùn)練函數(shù)，為用戶的設(shè)計(jì)工作提供了很大的方便。在MATLAB的命令窗口輸入命令：nntool，回車后可以進(jìn)入神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶界面（GUI），圖形用戶界面（GUI）包括7個(gè)顯示區(qū)域和2個(gè)按鈕區(qū)。具體的操作方法是：選中準(zhǔn)備訓(xùn)練的網(wǎng)絡(luò)，此時(shí)Networks only按鈕區(qū)將變?yōu)榭蛇x，單擊Train按鈕，將彈出網(wǎng)絡(luò)訓(xùn)練窗口，如圖37所示：圖37 訓(xùn)練網(wǎng)絡(luò)窗口在訓(xùn)練網(wǎng)絡(luò)窗口中進(jìn)行選擇輸入變量、選擇目標(biāo)變量、設(shè)置訓(xùn)練輸出、設(shè)置訓(xùn)練誤差等步驟，最后確定步驟準(zhǔn)確無(wú)誤后可以單擊Train Network進(jìn)行訓(xùn)練網(wǎng)絡(luò)。測(cè)出同一車道同一檢測(cè)點(diǎn)的流量和占有率，檢測(cè)時(shí)間間隔選為2min. 為了檢測(cè)到由于道路擁堵引起交通流量和占有率的變化，應(yīng)比較不少于兩個(gè)時(shí)刻的變量，例如t, t1兩個(gè)連續(xù)時(shí)刻測(cè)出的流量和占有率數(shù)據(jù)。 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)道路擁堵判別的數(shù)據(jù)來(lái)源可以是交通仿真模型的輸出數(shù)據(jù)，也可以是現(xiàn)場(chǎng)交通數(shù)據(jù)。微波檢測(cè)器，采用了先進(jìn)的數(shù)字雷達(dá)波技術(shù)，它能夠?qū)崟r(shí)檢測(cè)交通流量、平均車速及車道占用率等交通數(shù)據(jù)的產(chǎn)品。其中，部分道路擁堵和不擁堵時(shí)的樣本數(shù)據(jù)共30組數(shù)據(jù)如表41所示，表中前15組數(shù)據(jù)和后15組數(shù)據(jù)分別對(duì)應(yīng)著道路擁堵和不擁堵的情況，其中流量的單位為：輛/小時(shí)/車道，速度的單位為千米/小時(shí)。仿真實(shí)驗(yàn)是在1臺(tái)CPU為N270, , 內(nèi)存為2G的計(jì)算機(jī)上進(jìn)行。tic。%Test beginP2=[ ]39。因此，概率神經(jīng)網(wǎng)絡(luò)應(yīng)用于道路擁堵判別為擁堵研究提供了一種切實(shí)可行的新思路。與反向傳播神經(jīng)網(wǎng)絡(luò)相比，概率神經(jīng)網(wǎng)絡(luò)能夠克服其學(xué)習(xí)速度慢、訓(xùn)練時(shí)間長(zhǎng)等方面的局限性。在畢業(yè)論文完成之際，我衷心地向各位給予我指導(dǎo)、支持和幫助的老師和同學(xué)們表示深深的感謝。我希望借此機(jī)會(huì)向梁新榮老師表示衷心感謝！同時(shí)，也要感謝畢業(yè)設(shè)計(jì)過(guò)程中給予我關(guān)心與幫助的蘭楊芳同學(xué)和黃文冠同學(xué)，和他們討論研究問(wèn)題能讓我多角度地去思考問(wèn)題，讓我在設(shè)計(jì)上學(xué)會(huì)創(chuàng)新，我獲益匪淺，同時(shí)也看到了自身的不足，在今后的學(xué)習(xí)中我將不懈地努力完善自己。梁新榮老師堅(jiān)持嚴(yán)謹(jǐn)?shù)墓ぷ鲬B(tài)度，嚴(yán)格要求學(xué)生，常常根據(jù)我們的學(xué)習(xí)情況給予我們適當(dāng)?shù)闹笇?dǎo)。隨著經(jīng)濟(jì)的發(fā)展，交通運(yùn)輸越來(lái)越成為影響經(jīng)濟(jì)發(fā)展、文化交流的因素，因此，建立有效的檢測(cè)系統(tǒng)判別道路擁堵情況對(duì)交通擁堵研究課題有著極其重要的意義。其中，概率神經(jīng)網(wǎng)絡(luò)算法對(duì)擁堵判別的實(shí)現(xiàn)是核心部分，也是本文的主要工作。 本章小結(jié)針對(duì)道路擁堵判別這一個(gè)多輸入的非線性系統(tǒng)建模問(wèn)題，本章提出了基于概率神經(jīng)網(wǎng)絡(luò)（PNN）理論的分類方法。Tc=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2