【正文】 首先，感謝我的畢業(yè)設(shè)計(jì)指導(dǎo)老師梁新榮教授，在他的精心與耐心的指導(dǎo)下，我不但順利完成了畢業(yè)設(shè)計(jì)，還學(xué)習(xí)、了解到許多交通工程領(lǐng)域的專(zhuān)業(yè)知識(shí)。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 28 結(jié) 論 道路擁堵判別 系統(tǒng) 主要用于 及時(shí) 判別 出道路上發(fā)生的 擁堵事件 ，使 交通管理部門(mén) 能 夠及時(shí) 作出相應(yīng)的 處理 措施 ，以盡量減少由于 道路擁堵 所帶來(lái)的人員傷亡 和 財(cái)產(chǎn)損失等 嚴(yán)重交通問(wèn)題的發(fā)生。 P= [ 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 18 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 19 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 20 ]39。 表 41 部分樣本數(shù)據(jù) qt1 Ot1 vt1 qt Ot vt 37 69 58 25 26 78 51 20 38 62 56 12 17 71 42 10 10 114 61 13 28 73 63 26 45 74 62 23 34 73 64 23 36 66 55 20 38 75 58 27 4 65 65 29 5 62 62 21 21 62 44 16 3 72 51 16 29 62 54 25 22 57 11 51 18 53 23 56 17 51 18 49 21 51 18 51 15 52 13 56 14 50 4 46 18 51 16 46 15 57 14 53 12 55 15 63 21 60 14 57 15 62 22 60 17 67 19 72 15 54 11 59 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 17 5 48 11 56 28 57 24 60 基于概率神經(jīng)網(wǎng)絡(luò)的擁堵判別系統(tǒng)建立 結(jié)合概率神經(jīng)網(wǎng)絡(luò)的理論知識(shí)，在選擇合適的輸入量、篩選出網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)后，就可以建立起擁堵判別系統(tǒng)。本文的仿真數(shù)據(jù)來(lái)源于交通管理部門(mén) 提供的 現(xiàn)場(chǎng)交通數(shù)據(jù) 。 （ 4）網(wǎng)絡(luò)的仿真：選中準(zhǔn)備仿真的網(wǎng)絡(luò)，此時(shí) Networks only 按鈕區(qū)將變?yōu)榭蛇x，單擊 Simulate 按鈕，將會(huì)彈出神經(jīng)網(wǎng)絡(luò)的仿真窗口，如圖 38 所示： 圖 38 神經(jīng)網(wǎng)絡(luò)仿真窗口 在仿真窗口中選擇仿真輸入變 量，設(shè)置仿真輸出變量名，選擇是否提供目標(biāo)變量 (可選 )，確認(rèn)操作無(wú)誤后就可以單擊 Simulate Network 進(jìn)行仿真。 用 神經(jīng)網(wǎng)絡(luò)工具箱建立系統(tǒng)有兩種方法，一是使用神經(jīng)網(wǎng)絡(luò)工具箱的命令行方式，二是使用神經(jīng)網(wǎng)絡(luò)工具箱提供的圖形用戶(hù)界面（ GUI）。 （ 2） 概率神經(jīng)網(wǎng)絡(luò) 沒(méi)有過(guò)多 需要調(diào)節(jié)的 參數(shù) ，不需要像 反向傳播神經(jīng) 網(wǎng)絡(luò)那樣確定隱五邑大學(xué)本科畢業(yè)設(shè)計(jì) 8 藏層數(shù)和隱藏層的神經(jīng)元個(gè)數(shù)，使用方法十分簡(jiǎn)單便利。 [4] 概率神經(jīng)網(wǎng)絡(luò)分類(lèi)的預(yù)測(cè)值與實(shí)際值極其吻合 。xM 2175。 基 于 概率神經(jīng)網(wǎng)絡(luò) 的 道路擁堵判別 方法 之所以能夠判斷出道路的實(shí)時(shí)狀況，主要 是利用 概率神經(jīng)網(wǎng)絡(luò) 模型的非線(xiàn)性分類(lèi)能力，將樣本空間映射到模式空間中，從而形成一個(gè)具有 容錯(cuò)能力 強(qiáng) 和結(jié)構(gòu)自適應(yīng)能力 好 的 特點(diǎn)的道路擁堵 檢測(cè)系統(tǒng) 。 文獻(xiàn) 10 提出了自組織特征 映 射模型、前向神經(jīng)網(wǎng)絡(luò)模型 和 自適應(yīng)共振理論神 經(jīng)網(wǎng)絡(luò)這 三種模型 并 比較、 運(yùn)用在事件檢測(cè)中 ，仿真結(jié)果表明前向神經(jīng)網(wǎng)絡(luò)模型的性能優(yōu)于 另外的 兩種網(wǎng)絡(luò)。 文獻(xiàn) 2 針對(duì)目前城市交通 道路 擁堵服務(wù)質(zhì)量評(píng)價(jià) 的局限性，創(chuàng)新性地 提出 了 與交通流量、速度、密度有關(guān)的 擁擠度系數(shù)的概念， 利用模糊綜合評(píng)價(jià)的方法進(jìn)行判別并作仿真研究 。 研究 的目的和意義 本課題研究的目的就是在道路擁堵情況下，探討得出較為完善的判別方法去解決道路擁堵問(wèn)題。外部因素是國(guó)內(nèi)經(jīng)濟(jì)的高速發(fā)展，汽車(chē)擁有量的劇增；而內(nèi)部因素則是車(chē)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)。五邑大學(xué)本科畢業(yè)設(shè)計(jì) I 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。 針對(duì)交通擁堵的情況，我們常常會(huì)通過(guò)浮動(dòng)車(chē)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。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五邑大學(xué)本科畢業(yè)設(shè)計(jì) 2 引起的各種大氣環(huán)境污染。 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 。 本文的主要內(nèi)容 全文共分 4 章。 [4] 概率神經(jīng)網(wǎng)絡(luò)拓?fù)?結(jié)構(gòu)圖如圖 21 所示 。xM N 175。 當(dāng) 已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)獲得輸入的 待檢向量 tRppp ]...[ ,2,1?P 時(shí)， 概率神經(jīng) 網(wǎng)絡(luò)的第一層 將對(duì) 該輸入向量與訓(xùn)練樣本對(duì)的輸入向量 Ii , i=1, 2, …, Q 的歐氏距離 進(jìn)行計(jì)算 ，得 到 的五邑大學(xué)本科畢業(yè)設(shè)計(jì) 7 結(jié)果為 向量 D， 即： t21 ],[ QIPIPIPD ???? ? （ 22） 徑向基函數(shù)的輸入量 n1 是 向量 D 與閾值向量 b1 相乘 得到的 結(jié)果 ，即： t,122,111,11 ],[ bbb IPIPIPn ???? ? （ 23） 式中 b1,i, i=1, 2, …, 閾值向量 b1 的第 i 個(gè)元素 即為 Q。 （ 3） 在保 證有足夠多的訓(xùn)練數(shù)據(jù)的前提之下，仿真研究得到的結(jié)果將會(huì)是貝葉斯準(zhǔn)則下的最優(yōu)解。接下來(lái)將分別介紹這兩種方法并建立概率神經(jīng)網(wǎng)絡(luò)，其中著重介紹相 對(duì)簡(jiǎn)單的方法：用 GUI 建立系統(tǒng)的方法。 本章小結(jié) 本章主要介紹了 MATLAB中神經(jīng)網(wǎng)絡(luò)工具箱的使用，著重闡述了用 GUI建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)的方法與步驟，并以概率神經(jīng)網(wǎng)絡(luò)為例子展示了神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立的過(guò)程。現(xiàn)場(chǎng)交通數(shù)據(jù) 可 以 通過(guò)兩種 不同 途 徑來(lái) 獲得： 第 一 種途徑 是交通管理部門(mén)的日志； 第二種 途徑是 檢測(cè)點(diǎn) 現(xiàn)場(chǎng)傳感器的檢測(cè)數(shù)據(jù)， 但 必須注意 的是 經(jīng)傳感器檢測(cè)到的交通特性原始數(shù)據(jù)通常由于 外界環(huán)境的 干擾會(huì)在數(shù)值上 出現(xiàn) 一定的突變現(xiàn)象，因此必須 先行 對(duì) 檢測(cè)得到的 數(shù)據(jù)進(jìn)行預(yù)處理 ，使數(shù)據(jù)樣本更加能夠充分反映實(shí)時(shí)的道路狀況 。擁堵判別系統(tǒng)采用 的命令行方式建立，這種通過(guò)編寫(xiě)命令行的方式建立概率神經(jīng)網(wǎng)絡(luò)，對(duì)于需要用大量的樣本數(shù)據(jù)進(jìn)行仿真的系統(tǒng)來(lái)說(shuō)，具有方便快捷的特點(diǎn)。 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 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2] T=ind2vec(Tc) =newpnn(P,T)。 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。 梁新榮 老師 堅(jiān)持嚴(yán)謹(jǐn)?shù)?工作 態(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)?指導(dǎo)。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。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 。 tic。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(chē)道 ，速度的單位為千米 /小時(shí) 。 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)。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 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 14 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)。 [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(hù)的設(shè)計(jì)工作提供了很大的方便 。 與常用的反