基于人工神经网络的混合递归交通流模型

《基于人工神经网络的混合递归交通流模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ElenaSofronovaetal./ProcediaComputerScience186(2021)426–430基于人工神经网络的混合递归交通流模型用于逼近未知城市道路子网的网络摘要本文考虑交通流控制的混合递归数学模型，该模型由两类模型组成:描述已知参数子网络的通用递归有限差分模型和描述部分未知参数子网络的基于人工神经网络的模型。证明了埃尔曼递归神经网络的选择，并描述了一种基于变分遗传算法的埃尔曼递归神经网络的训练方法。关键词:交通流模型；最优控制；进化计算；递归神经网络1。介绍为了增加网络容量和消除交通堵塞，城市道路网络中的交通流控制任务是一个非平凡的、计算复杂的

2、数学问题。这个问题的特点是没有与最优控制问题语句相对应的对象的数学模型，交通流控制与其状态向量的分量之间没有形式依赖关系，大量的控制和大量相互作用的路段。在本文中，我们考虑了一个模型，它与最优控制问题的经典陈述非常匹配。该模型基于受控网络理论[1]，是一个递归非线性有限差分系统方程式。在这个模型中，控制是在受管制的交叉路口交通灯阶段的持续时间。受控对象的状态由每个路段的车辆数量决定。对于大型网络，一些子网可能有未知的参数。为了解决这一问题，建议使用交通流控制的混合数学模型。该模型考虑了具有交互部分的子网络部分信息的不完整性。人工神经网络补偿了模型的不完全性。在研究过程中发

3、现，在一个特大城市的真实城市网络中，很难用已知的参数确定一个内部子网并为其求解最优控制问题，因为特定子网的控制会改变输入和输出路段的车辆数量，从而影响其他子网的运行。在这种情况下，当进出子网的外部流量依赖于该子网中交通灯的控制时，就会出现这种情况。如果我们不考虑相邻子网中的控制，那么我们可以说，对于一个“已知”子网，存在可以用函数描述的外部干扰。相邻子网作为多维函数，根据时间和包含在这些子网中的流量参数，在输出道路上给出一些流量参数值。以前，交通流的循环模型中包含的外部扰动是一些随机变量的向量，取决于控制步骤，与外部子网无关[2]；现在考虑到这种依赖性。例如，一个子网中的

4、控制可能导致另一个子网的某些部分溢出，等等。因此，获得了道路网络的混合模型。对于一些“已知”的子网，也就是最重要的子网，我们使用开发的通用流量递归模型，对于其余的子网，我们使用基于观测数据的人工神经网络近似。人工神经网络是一类能够以任意精度逼近非线性系统的数学模型[3]。然而，人工神经网络的设计和训练存在许多实际困难。如果没有对高维空间中非线性映射数学的一些基本认识，以及对一些众所周知的陷阱(如过拟合和欠拟合)的认识，人工神经网络方法是不可能成功的。当这些问题得到充分解决时，人工神经网络为高维复杂非线性过程建模提供了一个非常强大的工具箱。这类问题的许多例子可以在交通运输领

5、域找到[4]。通过使用递归和延时神经网络，交通预测的时间方面已经被考虑在内[5，6]。与前馈神经网络相比，递归神经网络包括反馈连接，用于将前一步的状态或输出反馈到下一步。最广为人知的RNN形式是多层前馈神经网络(MLFNNs)，隐藏状态与隐藏层的输入一起传递到下一步，这通常被称为埃尔曼网络[7]。该模型中的隐藏状态代表内部内存。另一个类似类型的RNN是约旦网络，其输出值在下一时间步反馈到网络的隐藏层[8，9]。也有人建议使用具有各种类型反馈连接的RNN模型[10]。该研究考虑了反馈链接的不同组合，包括来自隐藏层的反馈、来自输出层的反馈和输入窗口。ElenaSofronov

6、aetal./ProcediaComputerScience186(2021)426–4302。混合循环交通流模型在本文中，我们考虑了城市道路网络中的交通控制问题，受制于它与其他网络的相互作用，其中一些网络的数学模型还没有得到。这种控制将被称为模型不确定条件下的控制。请注意，一些传输流从外部子网到达所考虑网络的输入端，其值与这些子网的属性相关。在大多数情况下，当在不确定条件下进行控制时，使用三个主要方向。在第一种情况下，引入了不确定性以最坏的方式影响目标函数值的假设，并寻求最坏情况下的最优控制。这种方法假设最大可能流量来自未定义的网络。在第二种情况下，计算不确定性的最可能

7、值。为此，有必要建立来自具有未定义模型的网络的流的一些概率特征，或者它们的概率分布函数。在第三种情况下，具有未定义模型的网络被一些在研究过程中识别或改进的函数所取代。使用人工神经网络作为428函数，作为任何多维函数的通用逼近器，由于城市路网无模型路段的行为无法提前确定，那么只有在没有老师的情况下学习才有可能。本文考虑第三种方法，即用人工神经网络代替无模型区域。不同类型子网的交互结构如图2所示。1.图。1.混合模型方案3。通用循环交通流模型基于受控网络理论的通用循环交通流模型如下x(k)x(k1)--(((xk1)-1tl)au