基于模糊神经网络的混合交通流路阻测算模型

在"互联网+交通"的背景下,为了更好地模拟机非混行道路上的路阻变化情况,提出了一种新的模糊神经网络自组织测算模型。首先,在非线性回归模型的基础上,对单幅路面上的混合交通流数据进行样本预处理。然后,设计一种自组织聚类算法,自动地确定模糊神经网络的结构和参数初值,再通过监督学习优化模型参数,得到满足精度要求的道路阻抗仿真值。最后,以成都市太升南路作为实际算例,验证模型的有效性。仿真结果表明:该模型可涵盖样本空间72.62%的数据,并有效抑制了非线性回归模型因样本信息冗余或缺失所导致的多重共线性;与既有的道路阻抗测算方法相比,模型在均方根误差和平均百分误差性能评价指标上分别降低了33.25%和37.58%,拟合度更高,并较好地反映了单幅路面上道路阻抗变化的波动性与随机性,与实际相符。