【正文】 。另一個(gè)V的公式為： (23)區(qū)間平均車速： (24)其中：、l、n、分別指為區(qū)間平均車速（m/s），道路長度（m），第i輛車的行駛時(shí)間（s），車輛行駛于路段長度l的次數(shù)，第i輛車的行駛速度（m/s）。3．20世紀(jì)60年代后，交通波理論由于汽車普及到廣大老百姓家中，該階段交通問題在世界各國大中城市中尤顯嚴(yán)重，大大地制約的城市的發(fā)展，因此，需要發(fā)展交通波理論來解決城市交通問題。交通流是研究道路上行人和機(jī)動(dòng)車在成列和個(gè)別行動(dòng)中的規(guī)律，通過研究車流流量、車流速度和密度之間的關(guān)系，使道路交通設(shè)施的利用率得到提高，以減少事故發(fā)生和出行時(shí)間的延誤。第二章 交通流的相關(guān)理論及研究。與前兩種方法向相比較，第三種方法沒有時(shí)間延遲，動(dòng)態(tài)特性相對(duì)較好。 研究的實(shí)際意義城市道路交通系統(tǒng)是一個(gè)復(fù)雜的大系統(tǒng)，包括道路、汽車、人與環(huán)境的組成部分，因而具有強(qiáng)大的非線性、隨機(jī)性、多變性以及不確定性。關(guān)鍵詞 交通擁堵 預(yù)測 速度 系統(tǒng)仿真 AbstractThis study based on the reference to domestic and foreign, according to the definition of the main city road traffic, nonlinear and timevarying characteristics given congestion causes, classification and characteristic of the classical algorithm, congestion and traffic flow prediction model were analyzed, with emphasis on the algorithm and model principle using conditions were studied, the relationship between traffic analysis flow prediction and congestion identification. In addition, the main definition, basic characteristics and velocity and flow rate changes, establishment of trunk road traffic prediction model based on traffic flow, key form of model analysis. Finally, the system simulation with MATLAB software, the simulation shows that the traffic flow prediction scheme can effectively forecast and analysis of traffic state based on the city roads.Keywords: traffic congestion prediction speed system simulation目 錄摘 要 IAbstract II第一章 緒論 1 課題的背景及理論 1 研究的實(shí)際意義 1 城市交通信息預(yù)測理論的發(fā)展和研究現(xiàn)狀 1 主要研究內(nèi)容 2 本文內(nèi)容安排 2 本章小結(jié) 2第二章 交通流的相關(guān)理論及預(yù)測 3 交通流的定義 3 交通流理論發(fā)展 3 交通數(shù)據(jù)的采集及說明 3 交通流參數(shù)間的對(duì)應(yīng)關(guān)系 4 密度和速度的關(guān)系 4 密度和流量的關(guān)系 5 5 本章小結(jié) 5第三章 神經(jīng)網(wǎng)絡(luò)理論 6 神經(jīng)網(wǎng)絡(luò)的概述 6 人工神經(jīng)元模型 6 神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)描述 6 神經(jīng)元狀態(tài)轉(zhuǎn)移函數(shù)類型 7 神經(jīng)網(wǎng)絡(luò)模型 8 前向網(wǎng)絡(luò) 8 反饋網(wǎng)絡(luò) 9 自組織網(wǎng)絡(luò) 9 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及其應(yīng)用 9 神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 9 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 9 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 10 學(xué)習(xí)方式 10 學(xué)習(xí)算法 10 本章小結(jié) 11第四章 基于Elman神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測的仿真 12 Elman神經(jīng)網(wǎng)絡(luò) 12 概述 12 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理 12 Elman神經(jīng)網(wǎng)絡(luò)的創(chuàng)建 13 Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 13 Elman回歸神經(jīng)網(wǎng)絡(luò)預(yù)測的仿真 14 仿真背景 14 樣本數(shù)據(jù)選擇 14 神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的歸一化處理 14 Elman回歸神經(jīng)網(wǎng)絡(luò)的創(chuàng)建及訓(xùn)練 15 仿真程序及結(jié)果 16 本章小結(jié) 21結(jié) 論 22參考文獻(xiàn) 23致 謝 2425 / 29第一章 緒論 課題的背景及理論隨著現(xiàn)今社會(huì)城市化的加劇，城市交通擁擠以及突發(fā)性的交通事故正嚴(yán)重地困擾著世界各國的大中城市，解決這些問題的社會(huì)意義、經(jīng)濟(jì)意義已成為全球的共識(shí)。從近幾年世界各國的發(fā)展趨勢來看，本課題研究的重點(diǎn)是為了解決交通基礎(chǔ)設(shè)施供應(yīng)不足、交通混亂和交通效率低下這些方面的問題。傳統(tǒng)的理論和方法在面對(duì)如此大的系統(tǒng)問題，往往是無能為力。但是其網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和算法缺乏好的理論指導(dǎo)依據(jù)，可使用性不強(qiáng)。運(yùn)用數(shù)學(xué)和力學(xué)定律，研究道路交通流運(yùn)行規(guī)律的理論，具體為概論論，排隊(duì)論，車流波動(dòng)理論的研究。 交通流理論發(fā)展從時(shí)間順序上來講，大致可從三個(gè)階段論述交通流理論：1．20世紀(jì)30~40年代，自由車流的統(tǒng)計(jì)分布理論這一時(shí)期車輛保有量低，大部分公路上行駛的車輛相互干擾較少，能夠相對(duì)自由的前行。此階段城市車輛已經(jīng)迅速猛增，交通狀態(tài)已經(jīng)嚴(yán)重影響人們的出行時(shí)間，很多時(shí)候交通都是處于擁擠狀態(tài)。3．道路占有率： (25)其中：、N、T、分別指道路占有率，在時(shí)間間隙T內(nèi)測得的通過檢測工具的車輛數(shù)（輛），時(shí)間間隙（h），對(duì)應(yīng)車輛引起的檢測工具閉環(huán)時(shí)間（h） 交通流參數(shù)間的對(duì)應(yīng)關(guān)系 密度和速度的關(guān)系速度和密度模型有不少，用得最多的是線性模型)，即： （26）根據(jù)上式有：（1）當(dāng)密度k趨向于0時(shí)，速度v接近自由流車速，則；（2）當(dāng)密度大到車輛沒法行駛時(shí)，其對(duì)應(yīng)的密度稱阻塞密度，當(dāng)時(shí)，得 ，將a和b代入上式，得速度—密度關(guān)系式： （27） 密度和流量的關(guān)系由式27和得，得流量—密度模型： （28）即q和k成二次函數(shù)關(guān)系，因此最大流量對(duì)應(yīng)最佳密度（臨界密度），即： 令得，即 ，代入式（28） 得： （29） 由式得并代入到中，得流量—車速模型： （210）由此可知，自由車速的為臨界車速，即。中間層中各層的神經(jīng)元只接收前一層神經(jīng)元的輸出。圖31 人工神經(jīng)元模型圖由以上分析可得出，人工神經(jīng)元反映了生物神經(jīng)元的基本功能。 根據(jù)連接方式不同，神經(jīng)網(wǎng)絡(luò)可分為兩大類：沒有反饋的前向網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò)。倘若能找到網(wǎng)絡(luò)之Lyapunov數(shù)，則能保證網(wǎng)絡(luò)從任一初始狀態(tài)都可收斂至局部最小點(diǎn)。4．神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn) 超大規(guī)模集成電路（VLSI)硬件的實(shí)現(xiàn)，使人工神經(jīng)網(wǎng)絡(luò)能有效且快速地解決規(guī)模很大的問題。3．再勵(lì)學(xué)習(xí) 是介于對(duì)上兩種情況之間的一種方式，系統(tǒng)輸出的結(jié)果受到外部環(huán)境的影響，學(xué)習(xí)系統(tǒng)改善自身性能靠強(qiáng)化受獎(jiǎng)勵(lì)的動(dòng)作來實(shí)現(xiàn)。然后給定輸入的樣本對(duì)和輸出的樣本對(duì)。為了達(dá)到記憶目的，該模型增加了一個(gè)承接層在前饋網(wǎng)絡(luò)的隱含層中， 讓系統(tǒng)具有了適應(yīng)時(shí)變特性的能力。同時(shí)，網(wǎng)絡(luò)本身處理動(dòng)態(tài)信息的能力也隨內(nèi)部反饋網(wǎng)絡(luò)的加入大大增強(qiáng)，最后達(dá)到了動(dòng)態(tài)建模的目的。 Elman神經(jīng)網(wǎng)絡(luò)的創(chuàng)建指令格式為net=newelm(PR, [S1 S2……SN1], {TF1 TF2……TFN1}, BTF, BLF, PF)參數(shù)意義：PR—R個(gè)輸入元素的范圍矩陣。 Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可用train( ) 函數(shù)和adapt( ) 函數(shù)，訓(xùn)練函數(shù)可以選擇traingd、traingdm、traingda、traingdx，學(xué)習(xí)函數(shù)可用learngd和learngdm。 樣本數(shù)據(jù)選擇樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)泛化能力有關(guān)鍵性的影響，訓(xùn)練網(wǎng)絡(luò)所使用的樣本數(shù)據(jù)應(yīng)從樣本的質(zhì)量、數(shù)量和代表性三個(gè)方面考慮。影射關(guān)系越復(fù)雜，則樣本噪聲就越大，所需要的樣本數(shù)也越多，因而網(wǎng)絡(luò)的規(guī)模也就越大。當(dāng)輪流集中輸入各類樣本時(shí)，振蕩會(huì)出現(xiàn)在網(wǎng)絡(luò)訓(xùn)練中，造成了訓(xùn)練時(shí)間的延長。在訓(xùn)練過程中要反復(fù)隨機(jī)使用樣本集數(shù)據(jù)，通常需要成千上萬次訓(xùn)