道路交通专业毕业设计外文翻译--基于OD矩阵神经网络与主成分分析法的路段流量估算

《道路交通专业毕业设计外文翻译--基于OD矩阵神经网络与主成分分析法的路段流量估算》由会员分享，可在线阅读，更多相关《道路交通专业毕业设计外文翻译--基于OD矩阵神经网络与主成分分析法的路段流量估算（28页珍藏版）》请在毕设资料网上搜索。

1、  pdf原文：http:/  中文5588字 毕业设计（论文）   外文翻译     题     目   基于 OD 矩阵神经网络  与主成分分析法的路段流量估算   专     业                基于 OD 矩阵神经网络与 主成分分析法 的路段流量估 算  Lorenzo Mussone1, Matteo Matteucci2 1 建筑环境部科学技术，米兰理工大学，意

2、大利 mussonepolimi.it，通过 Bonardi， 9， 20123 米兰  2电子及信息 部门 ，米兰理工大学，意大利 matteuccelet.polimi.it，通过 Ponzio， 34 / 5， 20123 米兰  摘要 ： 本文从 OD 矩阵估算的处理方法 基础上提出了道路网络链接的 共享计算 应用技术。 该两个应用场景：一个试验网络和一个实际的 那不勒斯 农村网络 ，都模拟了一个已知的微型 模拟器动态分配矩阵 。为了 输入公路网络 研究数据的可行性， 一种利用主成分分析法 (PCA)(主成分分析 )技术也被用来降低 输入空间变量的影响以取得更好的意

3、义。 版权 2006 国际会计师联合会  关键词 ： OD 估算， 神经网络，主成分分析，路段流量的措施 ，方差稳定  1. 引言  本文分析了城市网络自从 80 年代中期以来的道路循环发展问题。许多 均衡与  动态 的计划和控制方法都是基于一个最初 OD 矩阵 的目标地址 。 现场调查来 建立的模型非常昂贵而且不能具有高重复频率。多年来 因为这个原因 ,方法和操作方案已经 试验过很多次， 他们的目标是建立 一个少成本的路段流量 OD 矩阵。     为了解决这一难题，研究者提出了很多 OD 估算方法。一些是基于平均信息量最大化 ,在

4、所有可用的路径 上最大化；在某一些情况下建立的一个没有客观参考、估算评价或估算指标等的 OD 矩阵模型（ Van Zuylen 和  Willumsen， 1980）。该模型后来扩展到拥挤网络中优化问题 ,通过制定 一种 变分约束导致 disequality双极程序。由于非凸性和非差分，这种双级方法很难得到最后的最优解决方法。弗洛里亚诺和陈 (1995)制定的一种启发式方法 (高斯 -赛德尔式 )能以限制目标的校正 O / D 矩阵 来收敛到最优解。      其他方法是基于这些利用统计特性观察变量的模型。比如梅尔曾 (1983)提出了 ,通过一个平常的

5、多元分配 与基质分布和为链接流动 有关的 贝叶斯估计 。Cascetta(1984)提出的一个基于广义最小二乘估算。在 1988年 Cascetta、 Nguyen概述的 OD矩阵估算统计方法，作为通用和约束的最小二乘法和贝叶斯类型。这些研究中大多数假定一个固定的百分比或链接路径选择的用户计算有确定性的平衡分配模型。这可能导致特别是在网络非常拥挤的时候，不一致的流量和 ODA矩阵。为了克服这个局限性， Cascetta（ 1989）提出了一种像随机变量的阐明来解释链接和路径流动，因此，就获得了这些变量平均值的价值。在这一研究方向也有其他人的论文，比如 YANG等人（ 1992），而且在不断的改

6、善（ YANG等人，2001）；这些人在 1996年提出了一种使 OD矩阵估算使用的同时链接流量数据和信息的链接选择比例的统计方法。 GONG在 1998年使用一个神经网络当作一个工具，用以求解最优化的问题，但是在同一类引用之前，由一个平均信息量最大化的问题。     本论文为了解决共享计算机技术的 OD矩阵估算，特别是从道路网络流量链接的神经网络知识。它工作的一个应用多层前馈神经网络 OD矩阵利用接近的典型的特征来估算；没有松动的共性，它们被假定链接一个测量和 OD矩阵的连续关系上。由于前馈神经网络的学习机制，无论如何，同时期的相关链接流 OD矩阵的知识使极其必要的。这个

7、要求多亏了那不 勒斯大学的运输实验（ Bifulco,2004） ,他们汇总了所有必要的和那些通常不容易实地收集到的信息，并且具有必要的完整性。  2. 数据预处理  信号的清理和标准化对于接下来得到一个更简单神经网络使很有必要的。 其  基本思想是可以把这个问题归结为固定条件下 减少问题 ,如果不能 ,则稳定之间的关系及其方差信号。在本文，我们主要集中在信号方差稳定阶段，我们没有缺失数据或有错误的测量结果。     在文学的定义，有几个稳定 形成了强大的意义上，我们可以完成 完整的陈述过程 ，但这是这不实际，因为需要指定无限对分配的约束矩 （

8、 Bittanti,1986）。一个简单的方法来降低问题的 稳定性 二阶统计量 (即信号分布可被完全描述使用前两阶矩 )施加恒定的期望值 ( ( ) ,E v t m t和一种基于协方差函数独立于具体的时间 ( ) ( ( ) ) ( ( ) )vr E v t m v t m ,但是基于指标只能依赖于它们的区别21tt。接下来时间的不变转移让我们使用这个较弱的假定期望值和发差的稳定性。     (弱 )的 平稳过程所涉及的是经典最小二乘法最小化的方法 。自从反向误差函数最小化， 通过训练程序 学习神经网络的权值也属于这个框架 ,能够成为一个经典的梯度下降或另一种训练算法的总和 ,是平方误差之间 （ K-dimensional）目标价值 nt 和网络的输出 ny 。  2 2( ) ( ( ) )N N K kkn n nnn n kt y w t y w