【正文】 讓我有勇氣克服一切困難和挫折。我覺得這其中最大的功勞不是我的，而是我的指導(dǎo)老師李全副教授。智能交通系統(tǒng)根據(jù)交通信息的各方面收集、統(tǒng)計(jì)，可以更有效的調(diào)節(jié)城市道路的交通流量，更好地解決城市交通的安全和擁堵等問題，合理利用道路資源。 578 229 581 409 541 671 551 641 487 601 427 467 407 627 568。根據(jù)科學(xué)家們對隱含層的研究，我們這個(gè)設(shè)計(jì)選取隱含層節(jié)點(diǎn)數(shù)為2n+1個(gè)，式中的n代表了數(shù)據(jù)輸入的節(jié)點(diǎn)數(shù)的數(shù)目。如果其搜索到的結(jié)果比gbest要更好，則用這個(gè)結(jié)果代替pbest并相應(yīng)更新其對應(yīng)的位置，flag=0，t=t+1，如果t大于，轉(zhuǎn)到第六步，否則轉(zhuǎn)到第三步；如果flag小于，t=t+1，如果t大于，轉(zhuǎn)到執(zhí)行第六步，否則轉(zhuǎn)到執(zhí)行第三步。現(xiàn)在基于PSO與BP算法的研究已經(jīng)形成兩類不同的混合算法。它的編碼方式可以用數(shù)學(xué)式表示為： （）式中，i代表粒子數(shù)，i=1，2，…，M。但是，由于算法構(gòu)造的架構(gòu)的原因，屬于一介算法的BP算法比較容易陷入局部極值或者出現(xiàn)一些比如收斂較慢等一些不好的情況，這些都是目前比較難或者根本沒有辦法克服的缺陷與不足。（2）粒子群優(yōu)化算法的生物學(xué)基礎(chǔ)。（6）對于應(yīng)用在解決高維復(fù)雜問題時(shí)，往往都會有早熟收斂和收斂性差這些缺點(diǎn)，無法確定收斂到最優(yōu)點(diǎn)。（4）在收斂性方面的研究，遺傳算法已經(jīng)比較成熟，反觀粒子群優(yōu)化算法在這方面的研究還比較薄弱有待進(jìn)一步發(fā)展。相同點(diǎn)：(1)兩種算法都是仿生物算法。慣性權(quán)重是用來控制算法的開發(fā)和探測能力。（4）科學(xué)家在研究中發(fā)現(xiàn)了粒子群優(yōu)化算在接近或者算法進(jìn)入最優(yōu)區(qū)域時(shí)的收斂速度是相對比較慢的。這是因?yàn)榱Ｗ尤簝?yōu)化算法相對原理簡單，計(jì)算速度快和占用率少，對電腦的內(nèi)存和CPU速度需求的要求都不高，又不需要目標(biāo)函數(shù)的梯度信息，只是依靠函數(shù)值就可以了。另外，我們也可根據(jù)實(shí)際的應(yīng)用需要對目標(biāo)函數(shù)進(jìn)行變換。限定粒子最大飛行速率，是為了讓粒子不飛離問題搜索空間的范圍。經(jīng)過很多實(shí)驗(yàn)數(shù)據(jù)可以表明，對于解決那些比較簡單問題時(shí)，只需要用到30個(gè)粒子就可以很好地解決問題了；但是，對于那些比較復(fù)雜或是比較特殊問題時(shí)求解時(shí)，根據(jù)實(shí)際需要粒子數(shù)目可以取到100到200之間。粒子找到上述的兩個(gè)極值后，就會此為基礎(chǔ)依照（）、（）式來更新自己的速度和當(dāng)前位置： （） （）在公式中, c1和c2被我們叫做學(xué)習(xí)因子或加速常數(shù)；rand()是在（0，1）之間的隨機(jī)數(shù)；和分別是粒子i在第k次迭代中在第d維中的速度和位置；為粒子在在第d維的個(gè)體極值的位置；是粒子群體在第d維中的全局極值的位置。這種現(xiàn)象表明了，這種復(fù)雜全局的行為，是通過鳥與鳥之間這種貌似非常簡單的規(guī)則相互作用相互影響著而引起的。與遺傳算法相比之下，PSO的優(yōu)勢和特點(diǎn)在于原理簡單并且算法的實(shí)現(xiàn)很容易，要求設(shè)置的參數(shù)少。歷史平均模型、時(shí)間序列模型、卡爾曼濾波模型、非參數(shù)回歸模型和神經(jīng)網(wǎng)絡(luò)模型是目前實(shí)際廣泛得到應(yīng)用的幾種模型[9]。但是，在另一種情況下，它的預(yù)測效果可能會比較差，無法滿足需求。（3）穩(wěn)步健康的發(fā)展階段，很多數(shù)學(xué)模型逐漸被人們運(yùn)用于交通流預(yù)測的應(yīng)用中去，并在交通領(lǐng)域產(chǎn)生很大的影響力，這些模型包括：卡爾曼濾波模型、神經(jīng)網(wǎng)絡(luò)模型、混合組合的模型等等。如果交通流的預(yù)測的時(shí)長邊長，那么相應(yīng)的交通量預(yù)測的精度將越低；同理，如果交通量預(yù)測的步長越短，則交通量預(yù)測的周期就會變大，預(yù)測的難度就會增大。圖21 城市快速路示意圖用來進(jìn)行對交通特征描述或反映交通特征的一些物理方面的參數(shù)叫做交通流的參數(shù)是一類用來表示某些交通流特征物理參數(shù)。第2章 城市快速路與交通流量預(yù)測城市快速路建設(shè)有分隔帶，具有四條或以上的車道，通常都是采用立體交叉的方式控制車輛出入。為此，歐盟十分重視現(xiàn)代ITS的發(fā)展，歐盟的重要發(fā)展項(xiàng)目其中的一項(xiàng)就是ITS的研究和發(fā)展。下面主要通過美國這些國家為代表，介紹國外ITS目前的規(guī)劃和發(fā)展?fàn)顩r。這已經(jīng)不是某個(gè)地區(qū)的難題了，而是擴(kuò)展成一個(gè)全球性的問題，人們在不斷尋求難題的解決辦法中，慢慢才認(rèn)識到只是依靠修建道路和建設(shè)交通設(shè)施的辦法是不能解決問題的根本的，主要還得要從交通控制管理和交通動態(tài)信息管理等這些內(nèi)容進(jìn)行的優(yōu)化管理控制，智能交通系統(tǒng)就在這樣的背景下產(chǎn)生，并在現(xiàn)代交通系統(tǒng)控制管理中發(fā)揮了巨大的作用。人們在不斷地探索交通流量預(yù)測模型的歷程中，在最近發(fā)現(xiàn)并提出了一種基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的新型的交通量預(yù)測模型。本文的研究內(nèi)容是對交通流量的預(yù)測研究，交通流預(yù)測屬于智能交通系統(tǒng)中非常重要的一部分，在我們的現(xiàn)代交通運(yùn)輸管理中有著很大的存在意義。日本的ITS的發(fā)展也是通過全民的協(xié)調(diào)體制來推動的。同時(shí)，民間也對ITS的發(fā)展給了極大的支持。由于各個(gè)城市地貌、經(jīng)濟(jì)發(fā)展情況、城市分布等都有所不同，那么快速路的道路架構(gòu)就形成了不同的類型和不同的特點(diǎn)。本文是對交通流量預(yù)測模型進(jìn)行研究的，基于內(nèi)容需要，以下僅介紹一個(gè)交通流參數(shù)，交通流量（Volume）：流量，是指在某個(gè)時(shí)間段內(nèi)，經(jīng)過某一點(diǎn)或者某個(gè)路段的車輛的總數(shù)，一般用q 來表示： （） 式中，T ：測量所用的總時(shí)間；N ：測量時(shí)間內(nèi)所統(tǒng)計(jì)的車輛數(shù)目總和?，F(xiàn)代交通流理論的發(fā)展與道路交通運(yùn)輸業(yè)的發(fā)展和技術(shù)有著必然的聯(lián)系，兩者相互相成，互相促進(jìn)發(fā)展。因而在預(yù)測中的有很多復(fù)雜性和不確定性等的因素的影響，這使在預(yù)測城市道路的過程中存在一定的難度和復(fù)雜性。當(dāng)在綜合應(yīng)用多種預(yù)測模型城市道路進(jìn)行交通流預(yù)測時(shí)，首先需要確定這些模型的參數(shù)，要根據(jù)各個(gè)方面的需要和經(jīng)驗(yàn)來確定模型的各個(gè)待定參數(shù),完整交通流預(yù)測模型的結(jié)構(gòu)。第3章 粒子群優(yōu)化算法概述粒子群優(yōu)化算法（Particle Swarm Optimization），其的英文縮寫為：PSO。它的應(yīng)用領(lǐng)域范圍現(xiàn)在已經(jīng)很廣泛，同時(shí)也在領(lǐng)域取得了大量的研究成果和成功的例子[11]。粒子在它的搜索空間中飛行需要有一個(gè)固定的速度，這個(gè)速度是根據(jù)粒子自己和其同伴的飛行經(jīng)驗(yàn)來進(jìn)行調(diào)整的，群體中所有的粒子都有一個(gè)可以計(jì)算的適應(yīng)值，并且這個(gè)值是由具體的優(yōu)化函數(shù)所決定的[12]。上面我們已經(jīng)介紹過群優(yōu)化算法本身最大的一個(gè)優(yōu)點(diǎn)就是不需要調(diào)節(jié)太多的參數(shù)，但是,算法中這幾個(gè)重要的參數(shù)卻直接影響著算法的性能與收斂性的好壞與效果。（2）粒子的長度。c1和 c2代表了粒子受到社會和個(gè)體經(jīng)驗(yàn)的影響程度的高低，一般設(shè)為給兩者相同的權(quán)重c1= c2=2。第三步：群體中的每個(gè)粒子，根據(jù)適應(yīng)度的數(shù)值大小來更新個(gè)體極值和全局的極值。（2）粒子群優(yōu)化算法實(shí)施的過程很依賴與其采用的參數(shù)取值，解決不同的問題需要設(shè)定不同的參數(shù)，如果能對參數(shù)能有系統(tǒng)的認(rèn)識，那么就會對不同的問題或不同的領(lǐng)域的參數(shù)設(shè)置提供很大的選擇幫助。探測是表示粒子離開原先的固定的尋優(yōu)軌跡，發(fā)生一定的偏離，從而偏轉(zhuǎn)其它的方向進(jìn)行搜索；而開發(fā)則說明粒子在很大程度上保持原來固定的尋優(yōu)軌跡進(jìn)行細(xì)部搜索不改變。其它關(guān)于粒子群優(yōu)化算法改進(jìn)還有很多，其中就有：混沌粒子群優(yōu)化算法、自適應(yīng)變異算子的引入、協(xié)同粒子群優(yōu)化算法等。（4）都能進(jìn)行搜索個(gè)體適應(yīng)度的信息，不受到函數(shù)約束條件的限制。相同點(diǎn)：（1）都屬于仿生物算法。（3）在收斂性方面，蟻群算法的研究已經(jīng)比較成熟，反觀粒子群優(yōu)化算法在這一方面的研究應(yīng)用還是相對較薄弱還有待改進(jìn)。本章主要對粒子群優(yōu)化算法做了詳細(xì)和系統(tǒng)的概述，內(nèi)容上包含了，算法的基本原理、算法的基本數(shù)學(xué)描述、算法的基本參數(shù)設(shè)置、算法的流程順序、當(dāng)前算法的優(yōu)點(diǎn)與局限性、算法的改進(jìn)和及其和其它智能算法的比較，還有當(dāng)前本算法的現(xiàn)代發(fā)展?fàn)顩r和應(yīng)用領(lǐng)域等方面內(nèi)容。粒子群優(yōu)化算法被應(yīng)用到優(yōu)化神經(jīng)網(wǎng)絡(luò)主要有兩個(gè)方面，用于網(wǎng)絡(luò)學(xué)習(xí)，優(yōu)化網(wǎng)絡(luò)連接權(quán)值和優(yōu)化網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。在我們確定編碼策略之后，就可以將神經(jīng)網(wǎng)絡(luò)的權(quán)值映射成粒子的維數(shù)的形式，并根據(jù)（）（）式進(jìn)行尋優(yōu)過程，在這個(gè)過程中，可以將神經(jīng)網(wǎng)絡(luò)的最小均方誤差作為訓(xùn)練準(zhǔn)則[15]。例如，混合算法1具體實(shí)行步驟如下：第一步，參數(shù)的初始化，確定粒子種群的數(shù)目的大小M，慣性權(quán)重w，學(xué)習(xí)因子c1和c2，PSO算法的最大進(jìn)化代數(shù)，BP算法的最大迭代次數(shù)，混合映射的迭代次數(shù)K，粒子群優(yōu)化算法能量函數(shù)變化次數(shù)閥值，置當(dāng)前進(jìn)化代數(shù)t=1，能量函數(shù)變化次數(shù)flag=0，在可行域內(nèi)隨機(jī)產(chǎn)生粒子速度和位置來表征神經(jīng)網(wǎng)絡(luò)權(quán)值[11]。第5章 城市快速路小時(shí)交通量預(yù)測的仿真 神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測城市的交通流量具有隨機(jī)性，不確定性，復(fù)雜性等特征，這些特征都是由不同的因素所影響下而產(chǎn)生的，這些因素又可以分為偶發(fā)性和時(shí)發(fā)性。根據(jù)我們實(shí)驗(yàn)仿真的需要，慣性權(quán)重的取值為：。最后并通過運(yùn)用Matlab對樣本數(shù)據(jù)進(jìn)行仿真，其結(jié)果表明預(yù)測值與期望值之間的誤差比較小，在允許的范圍內(nèi)，預(yù)測結(jié)果比較精確。實(shí)現(xiàn)城市的交通誘導(dǎo)與控制的關(guān)鍵在于：實(shí)時(shí)并準(zhǔn)確地完成交通流量預(yù)測，但是，由于影響城市交通流量預(yù)測的因素很多，所以時(shí)變性、不確定性更大，而導(dǎo)致預(yù)測的難度比較大。我衷心地感謝李全老師給予我的莫大的幫助和指導(dǎo)，使我順利地完成了畢業(yè)設(shè)計(jì)，給我四年的大學(xué)學(xué)習(xí)提交了一份滿意的答卷。global k。%維數(shù)Generation = 10。Global_Best_Particle = k。p2=p(2,:)。pause clcnet = newff(minmax(p),[4,1],{39。p2=p(2,:)。u3=abs(p3)。S=[ mq1 mq2 mdq1 mdq2]39。 Global_temp = Global_Best_Particle。mq1=sum(u1)/q。w2={2,1}。 if Fitness Global_Best_Fitness Global_Best_Fitness = Fitness。grid on。MSE=mse(E)plot(T,