不确定性环境下随机行程时间估计模型

随着机器学习和大数据分析的飞速发展，基于机器学习算法的参数估计问题越来越受到数学与计算科学交叉领域研究人员的强烈关注，行程时间估计问题是城市道路规划、城市发展的基本问题。本文的主要内容是基于 BP 神经网络算法来研究城市交通网络中行程时间估计问题。
第一章先介绍了城市交通配流问题的研究背景，确定了本文的研究目标。
第二章进行了机器学习以及 BP 神经网络算法的介绍，并参考相关文献，对人工神经网络与 BP 神经网络算法的计算步骤与基本原理进行了简单阐述。
第三章首先介绍了交通网络模型与相关交通参数，第一与第二 Wardrop 平衡原理。紧接着在上面的基础上，给出了在 UE（User Equilibrium）条件下的交通平衡配流模型以及相关的交通参数估计方法。
第四章给出了本文的主要工作，以前面几章所述内容为基础，给出了一种基于 BP 神经网络求解交通平衡配流时间估计问题的一般方法。并通过例子进行检验，选用部分交通路段的阻抗作为输入，其余交通路段阻抗作为输出数据，利用BP 神经网络进行大量训练，最终模拟出此类非线性最优化问题的相关变量之间的一般关系。在此之后，将本文数学模型应用环境进行拓展，利用神经网络对于不确定环境下交通网络随机行程时间参数进行估计，分析估计值与真实值之间的
误差。
第五章对本文进行了总结并给出了下一步工作的展望。

关键词：交通配流模型；用户均衡；OD 覆盖原则；BP 神经网络。

*若需了解更多与协助请咨询↓→[电脑QQ][手机QQ]【数据协助】