递推SOM神经网络在短时交通流预测中的应用
短时交通流预测模型综述
短时交通流预测模型综述引言：随着城市化进程的加快和交通拥堵问题的日益严重，短时交通流预测成为了交通管理和规划的重要工具。
通过准确地预测交通流量，交通部门可以根据预测结果来制定合理的交通管理措施，提高交通效率，缓解交通拥堵，为居民提供更加便捷的出行环境。
本文将综述目前常用的短时交通流预测模型，以便读者对该领域有更全面的了解。
一、基于统计模型的短时交通流预测基于统计模型的短时交通流预测方法是最早应用的预测方法之一。
这种方法通过对历史交通数据进行统计分析，建立数学模型来预测未来的交通流量。
常用的统计模型包括回归模型、ARIMA模型等。
这些模型通过分析交通流量与时间、天气等因素的关系，来预测未来的交通流量。
尽管这类模型在一定程度上能够准确预测交通流量，但是由于模型的线性假设和对历史数据的依赖性，对于复杂的交通流量变化往往预测效果较差。
二、基于人工神经网络的短时交通流预测人工神经网络是一种模拟人脑神经系统的计算模型，可以通过学习和自适应来预测未来的交通流量。
这种方法的优势在于可以对非线性关系进行建模，并且对于历史数据的依赖性较低。
常用的人工神经网络模型包括BP神经网络、RBF神经网络等。
这些模型通过对历史交通数据的学习和训练，来预测未来的交通流量。
然而，人工神经网络模型需要大量的训练数据，并且对网络结构和参数的选择较为敏感，往往需要较长的训练时间和计算资源。
三、基于机器学习的短时交通流预测机器学习是一种通过对大量数据进行学习和自适应来预测未来的交通流量的方法。
与传统的统计模型和人工神经网络相比，机器学习方法能够处理更复杂的非线性关系，并且对于历史数据的依赖性较低。
常用的机器学习方法包括支持向量机、决策树、随机森林等。
这些方法通过对历史交通数据的学习和训练，来预测未来的交通流量。
机器学习方法在短时交通流预测中取得了很好的效果，并且在实际应用中得到了广泛的应用。
四、基于深度学习的短时交通流预测深度学习是一种基于人工神经网络的机器学习方法，可以通过多层次的神经网络结构来提取和学习更高级别的特征。
基于神经网络的交通拥堵预测与优化方法研究
基于神经网络的交通拥堵预测与优化方法研究一、引言随着城市化进程的加速和交通工具的普及，交通拥堵已经成为了城市发展面临的一个重要问题。
交通拥堵带来的种种问题，包括时间成本的增加、能源浪费、环境污染等，给人们的生活和城市的发展带来了很大的困扰。
因此，如何准确地预测交通拥堵现象，并且通过优化方法减少拥堵，成为当前交通研究领域的一个热点问题。
二、神经网络在交通预测中的应用神经网络是一种基于人工神经元模型的计算方法，可以模拟人类大脑的信息处理过程。
在交通预测领域，神经网络被广泛应用于交通流量预测、拥堵预测等问题。
1. 交通流量预测交通流量预测是预测某一路段或交通网络上未来一段时间内车辆流量的问题。
神经网络可以通过学习历史交通数据，对未来的交通流量进行预测。
通过将输入层与隐藏层连接，隐藏层与输出层连接，可以构建一个多层感知机模型。
通过反向传播算法，可以对网络中的权重进行训练，从而实现交通流量的预测。
2. 拥堵预测拥堵预测是指通过预测未来一段时间内道路上的交通拥堵情况，识别可能出现的拥堵区域。
神经网络可以利用历史交通数据，判断未来某一时刻的交通状态。
通过构建适当的网络结构，将交通特征作为输入，并将拥堵与非拥堵的二分类问题转化为输出层的判断问题。
三、神经网络在交通优化中的应用除了交通预测，神经网络还可以用于交通优化，通过智能控制方法，减少交通拥堵现象。
1. 路口信号优化通过神经网络，可以对交通信号灯进行优化。
通过采集和分析交通数据，将交通流量作为输入，设置神经网络的输出层，将神经网络作为一个控制器，对信号灯进行智能调配，从而减少拥堵情况。
2. 路线选择策略神经网络可以通过学习历史交通数据，预测未来交通情况，从而指导驾驶员选择最佳的路线。
通过将输入包括起点、终点、交通信息等作为网络的输入，将最佳路线作为输出，通过网络的训练和学习，选择最佳路线从而避免拥堵。
四、神经网络方法的优势与不足1. 优势（1）灵活性：神经网络模型可以通过调整网络结构和权重，适应不同的交通预测和优化任务。
基于神经网络的交通流量预测模型
基于神经网络的交通流量预测模型在现代社会，交通流量的准确预测对于城市的规划、交通管理以及公众出行都具有极其重要的意义。
随着科技的不断进步，基于神经网络的交通流量预测模型逐渐成为研究的热点。
交通流量的变化受到多种因素的影响，包括时间、天气、节假日、特殊事件等。
传统的预测方法往往难以全面考虑这些复杂的因素，从而导致预测的准确性不尽如人意。
而神经网络作为一种强大的机器学习工具，具有处理复杂非线性关系的能力，为交通流量预测提供了新的思路和方法。
神经网络是一种模仿人类大脑神经元工作方式的计算模型。
它由大量的节点（也称为神经元）组成，这些节点通过连接形成网络结构。
在交通流量预测中，输入层通常接收与交通流量相关的各种数据，如历史流量数据、时间信息、天气状况等。
隐藏层则负责对输入数据进行复杂的计算和处理，提取特征和模式。
输出层最终给出交通流量的预测结果。
在构建基于神经网络的交通流量预测模型时，数据的收集和预处理是至关重要的第一步。
我们需要收集大量的历史交通流量数据，以及与之相关的其他信息。
这些数据可能来自于各种传感器、监控摄像头、交通管理系统等。
然而，收集到的数据往往存在噪声、缺失值和异常值等问题，需要进行清洗和预处理，以提高数据的质量和可用性。
接下来，是模型的设计和训练。
模型的结构和参数的选择会直接影响预测的准确性。
常见的神经网络结构包括多层感知机、循环神经网络（RNN）、长短时记忆网络（LSTM）等。
对于交通流量这种具有时间序列特征的数据，RNN 和 LSTM 往往能够取得更好的效果。
在训练模型时，我们使用预处理后的数据，通过调整网络的权重和偏置，使得模型能够学习到数据中的潜在模式和规律。
为了评估模型的性能，我们需要使用合适的指标，如均方误差（MSE）、平均绝对误差（MAE）等。
通过将模型的预测结果与实际的交通流量数据进行比较，我们可以判断模型的准确性和可靠性。
如果模型的性能不满足要求，我们需要对模型进行调整和优化，例如增加隐藏层的数量、调整学习率、使用正则化技术等。
基于神经网络的交通流预测技术研究
基于神经网络的交通流预测技术研究交通问题是城市发展中最为突出的问题之一。
随着城市不断扩张，交通流量急剧增大，交通拥堵问题日益严重。
针对这个问题，学者们提出了一系列的解决方案，基于神经网络的交通流预测技术便是其中之一。
本文将从神经网络的基本原理入手，介绍交通流预测的基本流程和一些常见的神经网络模型。
一、神经网络的基本原理神经网络（Neural Network）是一种模拟人脑的信息处理方式的计算模型。
它采用了一种分布式并行信息处理的方法，由大量的节点（也称为神经元）组成，形成一种多层次的神经网络结构。
神经元接收到其它神经元传递来的信息，并进行一定的加工和处理，最终将结果进行输出。
神经网络有很强的自学习和自适应能力，可以通过自反馈不断地优化模型的参数和结果，从而得到更为准确的预测结果。
二、交通流预测的基本流程交通流预测涉及多个环节，包括数据采集、数据处理、特征提取、模型选择和模型训练等步骤。
其中，数据采集和处理非常重要，它直接决定了后面的特征提取和模型训练的效果。
数据处理需要清洗、去噪、填补缺失值等操作，以确保最终的数据质量。
特征提取则是将原始的采集数据转化为一些具有意义的特征变量，比如任务模型的输入向量。
模型选择是指从多个基于神经网络的模型中选择最适合任务的模型，这其中需要考虑模型的准确度、可解释性、训练速度和泛化性能等方面。
最后就是模型训练，这是模型获得有效性的核心部分，需要选择合适的损失函数、激活函数和优化算法，并进行迭代学习和反馈优化。
三、常见的神经网络模型1. 前馈神经网络（Feedforward Neural Network）前馈神经网络是最为基础的神经网络模型，它由一系列输入层、隐藏层和输出层组成。
每个神经元都有多个输入和一个输出，也就是前面提到的分布式并行计算。
前馈神经网络最大的特点是能够处理非线性问题，它拥有强大的非线性变换能力。
不过，前馈神经网络的训练过程比较耗时，需要大量的数据样本和计算资源。
模糊小脑模型神经网络在短时交通流预测中的应用
ｒｘ ） ＆ Ａ ， ＿ ，
（ ， （ｚ， （ ） ） ） …， ‰）
（） ３
隶属度 函数采用高斯型隶属 函数 。反模糊 器采用 中心平均反模糊化器 ，乘积推理规则 、单 值模糊产生 器 ． 此模糊 系统输 出为 ： 则
Ｍ ｎ
ＸｙⅡ （ ， ） （） （ 托）
Ｆ ＭＡ Ｃ Ｃ的学习算法：
Ａｏｘ） （ — （ ）Ｉ ） ￣（ ｆ Ｆ Ｓ ） （ ／ ｄ ｔ Ｃ （０ １）
鲁 ０
Ｆ ＭＡ Ｃ Ｃ算法步骤 ：
Ｅ
① 对输入 空间进行采样量化 ；
Ｅ ０ ‘ 占
∞
② 初始化 Ｆ ＭＡ Ｃ Ｃ神经 网络 ； ③ 采集过程量测数据 ， 为样本训 练网络 ； 并作 ④ 计算 Ｆ ＭＡ Ｃ Ｃ输 出 ； ⑤ 计算误 差 ，利用 Ｆ ＭＡ Ｃ Ｃ学习算法校 正 已激 活
络， 最后一天 的数据用于检验。应用 Ｇ Ｐ方 法［ — ６ １ 计算得
出交通流时间序列的嵌入维数 ｚ４ 即输人为 ｘ （ ４ 门 －， － ＝ｘ ， ， 卜Ｘ
Ｘ２ ， ｔ Ｘ ） 网络输 出为 ｔ － ， 时刻 的交通流量 Ｘ 训 练 Ｆ Ｍ Ｃ 。 Ｃ Ａ 网络 ． 并用训 练好 的网络预测最后一天的交通流量 ， 在 Ｍａ ａ ０ ０ ｔ ｂ２ １Ａ下仿真 ， Ｌ 结果 如图 ２ ４ 所示 。
图 ４ 真 实 值 及 预 测 值
现代计算机
２ １ ．１ ０ １１
。（ ） ７
（） ８
兰 州 嚣 ｔ 芒０ ５
图 ２ 样 本 数 据
式 中 ， 为输入 量 Ｉ 在 中 Ａ 瓢 ｓ 。 的地址 ， Ｃ为感 受野
的大小。
Ｆ ＭＡ Ｃ Ｃ的输 出算法：
神经网络在交通流量预测中的应用
神经网络在交通流量预测中的应用一、引言随着交通工具的普及和城市化的推进，交通流量预测变得越来越重要。
交通流量预测可帮助城市规划者优化城市道路和交通路线，降低交通拥堵和污染。
过去，交通流量预测通常依赖于经验公式和传统统计方法，但这些方法受到许多因素的影响，并且很难准确地预测交通流量。
现在，神经网络模型作为一种强大的数据挖掘工具正在越来越多地被应用于交通流量预测领域。
本文将介绍神经网络在交通流量预测中的应用，并探讨它的优缺点。
二、神经网络的基本工作原理神经网络是一种模拟人脑神经网络的计算模型。
它由许多简单的神经元（模拟生物神经元）组成，这些神经元通过连接（称为神经元之间的“突触”）相互交换信息。
神经网络可以通过训练来学习数据集的模式。
通过反向传播算法，神经网络可以逐步调整权重和偏置，使其能够更准确地预测新的数据。
三、神经网络在交通流量预测中的应用1. 神经网络模型的基本流程（1）数据采集：收集与交通流量有关的数据，包括常规信息（例如地点、日期、时间和天气信息等）以及实际的交通流量。
（2）数据预处理：数据预处理包括数据清洗、数据转换和特征选择等操作，以减少数据噪声，并且将数据转换为模型可以理解的形式。
（3）神经网络模型的构建：在已经处理好的数据上，构建神经网络模型，包括选择模型结构、设置参数和训练神经网络模型。
（4）模型测试：用训练好的神经网络模型对新数据进行测试，并分析其性能。
（5）模型优化：根据模型测试的结果，对模型进行优化，以提高其精度和鲁棒性。
2. 使用神经网络预测交通流量的优点（1）能够处理非线性问题：传统的方法通常只能处理线性问题，而神经网络模型能够处理非线性问题。
（2）高精度性能：神经网络模型能够通过学习不同的特征权重，对数据进行更为精确的预测。
（3）易于扩展：神经网络模型能够根据预测的需求，不断扩展新的神经元以及新的层次。
3. 神经网络预测交通流量的缺点（1）训练时间过长：神经网络模型训练所需的时间比较长，并且很难确定合适的训练次数。
基于神经网络的道路短时交通流预测研究综述
基于神经网络的道路短时交通流预测研究综述摘要：短时交通流预测是智能交通系统(ITS)的关键组成部分，其准确性、实时性直接影响到交通控制与诱导系统能否及时向出行者发布准确的交通信息，对于治理城市交通给拥堵问题具有重要意义。
基于神经网络的预测方法是近年来非参数化方法中开展研究做多的，本问详细介绍了BP神经网络和RBF神经网络在交通流预测领域的应用与发展，以及国内外学者对神经网络的优化做出的努力。
并提出了一个未来研究的方向即对更为复杂的网络层面上的城市道路进行预测，并拟定了一个解决方案。
关键字：神经网络；交通流预测；智能交通系统0引言近年来，我国汽车保有量急剧增长，导致道路改扩建速度无法满足交通需求。
这使得许多城市面临严重的交通拥堵问题。
因此，智能交通系统（ITS）成为解决交通拥堵的关键。
其中，短时交通流预测是ITS的重要环节，通过准确实时地预测交通状态，为城市交通管理、路径规划和交叉口优化提供数据支持。
短时交通流预测模型是根据历史交通流数据建立的模型，结合实时采集的数据来滚动预测未来不超过15分钟内的交通状况。
目前的预测模型可以分为参数模型和非参数模型。
参数模型基于统计方法，包括历史平均模型、线性回归模型和时间序列模型等。
非参数模型则包括神经网络、支持向量机和K近邻回归等方法，其中基于神经网络的模型最为流行。
评估预测模型效果常使用平均水平绝对误差（MAE）、平均绝对百分比误差（MAPE）、最大绝对百分比误差（MAPE）和均衡发展系数（EC）等指标。
1神经网络交通流受道路交通系统中的人、车、路、环境等要素的影响而时刻变化着，当预测时间缩短时，交交通流更具非线性和不确定性，基于统计方法的预测模型性能难以满足对精度的要求，基于神经网络的预测方法具有较好的预测效果。
自上世纪40年代神经神经网络被提出以来发展至今，因为其线性映射能力好、自学能力强、鲁棒性强等优点，在信号进行处理、模式识别、目标跟踪等众多研究领域得到了一个广泛应用，而在交通流预测领域的首次应用是在1994年。
短时交通预测在智能交通系统中的应用研究
短时交通预测在智能交通系统中的应用研究题目：短时交通预测在智能交通系统中的应用研究摘要：随着城市交通的不断发展和智能交通系统的广泛应用，交通预测成为提高道路网络效率和交通安全性的重要手段。
本论文旨在研究短时交通预测在智能交通系统中的应用，并提供一种基于数据分析和机器学习的研究方案。
通过收集和分析实时交通数据，我们利用机器学习算法构建了交通预测模型，并对模型进行了测试和评估。
结果显示，在智能交通系统中应用短时交通预测能够显著提高交通效率和减少交通拥堵。
一、引言1.1 研究背景1.2 研究问题二、研究方案方法2.1 数据收集与预处理2.2 特征选择与数据分析2.3 机器学习模型构建2.4 模型测试与评估三、数据分析与结果呈现3.1 数据分析3.2 模型结果呈现四、结论与讨论4.1 研究结论4.2 讨论与未来研究方向一、引言1.1 研究背景交通拥堵、交通事故和交通效率低下是城市交通面临的重要问题。
为了解决这些问题，并提高道路网络的效率和安全性，短时交通预测在智能交通系统中得到了广泛应用。
短时交通预测指的是对未来短时时间范围内交通流量、拥堵情况和交通状况进行准确预测。
准确的交通预测可以帮助交通管理部门和驾驶员做出合理的交通决策，提高城市交通的运行效率。
1.2 研究问题本论文的研究问题是如何应用短时交通预测技术来提高智能交通系统的效率和安全性。
具体来说，我们将利用数据分析和机器学习算法构建一个交通预测模型，并通过测试和评估来验证其准确性和可行性。
通过解决这一问题，我们可以为智能交通系统的运营和管理提供有效的决策支持。
二、研究方案方法2.1 数据收集与预处理为了构建准确的交通预测模型，我们将收集实时交通数据，包括车辆流量、速度、道路限速和天气等因素。
我们将对数据进行预处理，如去除异常值、填补缺失值和标准化处理，以确保数据的准确性和一致性。
2.2 特征选择与数据分析在预处理后的数据上，我们将进行特征选择和数据分析。
基于神经网络的短时道路交通流预测研究综述
需要进一步强化和研究ꎮ 王莉静等 [２４] 根据天津市某路口的
和小波神经网络的权重用遗传算法进行优化ꎬ提高了该模型
相关数据建立了广义回归神经网络模型ꎬ采用总人口、公路
预测的适用性ꎮ ２０１８ 年李会超等
的成果ꎮ 在交通流预测领域中ꎬ神经网络模型于第一次被应
提高了模型的预测精度ꎮ 不足之处是模型的应用只考虑了
用是 １９９３ 年ꎬ该模型线性映射能力好ꎬ自学能力强ꎬ能够进
少数交通流量ꎬ没有考虑其他参数ꎮ 且蚁群算法计算繁琐、
行高效的数据处理ꎬ对外界的抗干扰能力强等优点ꎬ深受学
数据多ꎬ搜索能力不强ꎮ 陶丽 [９] 在充分研究交通流预测模型
采取优化算法的小波神经网络模型ꎮ
赵娟 [８] 引入蚁群算法优化小波神经网络ꎬ以 １５ ｍｉｎ 短
来智能交通、智慧交通发展迅速ꎬ交通流相关数据的获取也
时交通流量间隔进行交通流预测ꎬ采用改进的信息优化公
变得方便简捷ꎮ 短时交通流预测技术经过发展也取得一定
式ꎬ并对网格参数进行调整ꎬ通过该方法ꎬ优化了训练速度ꎬ
存在多个局部极小值点ꎮ
ＲＢＦ 神经网络、广义回归神经网络研究现状ꎬ为后续开展更
中图分类号:Ｕ４９１. １
ＢＰ 网络又称反向传播网络ꎬ非线性映射能力强ꎬ推导步
在城市路口交通流预测方面:曹炜 [２] 深入研究了 ＢＰ 神
文献标志码:Ａ
文章编号:１６７２ － ４０１１(２０２０)０３ － ０１５５ － ０３
ＢＰ 神经网络预测模型的激励函数进行了改进ꎬ确定了预测
模型中各参数的初始值的方法ꎬ提高了预测结果的精度ꎮ 在
城市交通流预测方面:季雪美 [５] 采用三天的流量数据作为训
练数据ꎬ令种群规模初始化为 １０ꎬ进化次数初始化为 ５０ꎬ第
神经网络在短时交通量预测中的应用
神经网络在短时交通量预测中的应用随着城市化进程的不断加速，城市交通问题日益突出。
如何更好地预测城市交通流量变化，成为了许多城市交通管理者和研究人员关注的重点。
神经网络在短时交通量预测中的应用逐渐得到了广泛关注。
一、何谓神经网络神经网络（Neural Network）是一种模仿生物神经系统行为的数学模型，可以进行模式识别、分类、拟合、优化等任务。
它是由大量单一处理元（神经元）相互连接而成的一种信息加工系统，可以自适应地学习和适应外界的输入变化。
二、神经网络在交通量预测中的应用传统的交通量预测方法又称为经验模型，主要基于历史数据进行推断，缺点是对非历史性的事件预测准确度不高。
而神经网络则能够获取大量的历史数据，并具有非线性的拟合能力和自适应性，预测效果更为准确。
神经网络在短时交通量预测中的应用主要是通过建立预测模型来实现。
预测模型包括输入层、隐藏层和输出层，其中输入层接受历史数据，经隐藏层处理后得到预测结果。
具体建模过程如下：1、数据收集首先需要收集大量的历史数据，包括交通流量、速度、密度等信息。
这些数据可以通过车载传感器、摄像头、交通事故数据等方式进行收集。
2、数据预处理将收集到的历史数据进行清洗、筛选和预处理，以减少数据的随机性和异常数据对预测结果的影响。
3、建立模型建立神经网络模型，确定输入层、隐藏层和输出层的节点数和权值，并进行训练。
4、模型评估通过交叉验证法等方法进行模型的评估，以确定模型的预测准确性和稳定性。
5、预测结果最终预测结果可以通过可视化的形式呈现在交通管理平台上，为交通管理者提供决策依据。
三、神经网络在短时交通量预测中的优势相比传统的时间序列模型，神经网络具有以下优势：1、非线性建模能力强传统的时间序列模型通常基于线性假设，而神经网络能够处理非线性的交通流量变化规律，预测准确度更高。
2、适应性强神经网络能够自适应地学习和适应外界的输入变化，对于交通流量变化快速的城市道路场景更为适用。
递归神经网络在交通管理中的应用(七)
随着城市化进程的加速，交通管理成为了城市管理中的一大挑战。
交通拥堵、交通事故频发等问题成为了城市发展中的瓶颈。
为了解决这些问题，人们开始寻求各种各样的解决方案。
其中，递归神经网络技术的应用，成为了一种备受关注的方式。
一、交通拥堵问题递归神经网络技术的应用在交通管理中，可以有效地帮助城市管理者解决交通拥堵问题。
通过收集城市中不同路段的交通流量数据，建立递归神经网络模型，对城市的交通流量进行预测和分析。
这样一来，城市管理者就可以根据预测结果，合理安排交通信号灯的时间，优化交通路线，缓解交通拥堵问题。
二、交通事故处理递归神经网络技术的应用还可以在交通事故处理中发挥重要作用。
通过分析交通事故发生的时间、地点、天气等因素，建立递归神经网络模型，可以预测交通事故发生的概率。
这样一来，交警部门可以根据预测结果，加强对交通事故多发地点的监管，合理调配交警力量，及时处理交通事故，减少交通事故对城市交通的影响。
三、交通规划优化递归神经网络技术的应用还可以在城市交通规划中发挥作用。
通过对城市交通数据进行深度学习和分析，建立递归神经网络模型，可以预测城市未来交通发展的趋势和需求。
这样一来，城市规划部门可以根据预测结果，优化城市交通规划，合理规划道路建设、公共交通线路、停车设施等，为城市未来交通发展提供科学依据。
四、交通环境监测递归神经网络技术的应用还可以在城市交通环境监测中发挥作用。
通过对城市交通环境数据的收集和分析，建立递归神经网络模型，可以预测城市交通环境的变化趋势。
这样一来，城市环保部门可以根据预测结果，及时采取有效措施，减少交通污染，改善城市交通环境。
五、技术挑战与发展趋势当然，递归神经网络技术在交通管理中的应用，也面临着一些挑战。
比如，数据的准确性和完整性、模型的精准度和稳定性等方面的问题，都需要进一步完善。
而且，随着城市交通管理的深化和智能化，递归神经网络技术的应用也将面临更多的发展机遇和挑战。
总之，递归神经网络技术在交通管理中的应用，为城市交通管理带来了新的思路和方法。
图神经网络在智能交通中的应用案例分享(六)
图神经网络在智能交通中的应用案例分享智能交通作为现代城市管理和发展的重要组成部分，一直备受关注。
在智能交通领域，图神经网络技术的应用越来越受到关注。
本文将分享一些图神经网络在智能交通中的应用案例，以期为读者带来新的启发和思考。
一、交通流量预测图神经网络在交通流量预测中的应用是一个热门话题。
传统的交通流量预测方法往往需要大量的历史数据和复杂的数学模型，而图神经网络则能够通过对交通网络的拓扑结构进行建模，从而更准确地预测交通流量。
比如，研究人员使用图神经网络对城市道路网络进行建模，利用历史交通数据和实时信息，结合图神经网络的特征学习能力，实现了对城市交通流量的准确预测。
这种方法不仅可以帮助城市交通管理部门更好地进行交通管控，还可以为驾驶员提供实时的交通状态信息，提高出行效率。
二、交通事故预测除了交通流量预测，图神经网络还可以应用于交通事故预测。
利用图神经网络对道路网络和交通流量进行建模，可以发现交通事故发生的潜在规律和影响因素。
通过分析车辆行驶轨迹、道路条件、交通信号等多种因素，图神经网络可以识别交通事故的潜在风险，帮助交通管理部门和驾驶员及时采取措施，预防交通事故的发生。
三、智能交通信号控制图神经网络在智能交通信号控制方面也有广泛的应用。
传统的交通信号控制方法往往是基于交通流量和信号周期的固定规则，难以应对复杂的交通情况。
而图神经网络可以对交通网络进行实时学习和优化，根据实际的交通流量和道路条件调整信号控制策略，实现智能化的交通信号控制。
研究表明，利用图神经网络的智能交通信号控制方法可以显著减少交通拥堵和排队时间，提高道路通行效率。
四、智能公交调度在城市公交系统中，图神经网络也有着广泛的应用。
传统的公交调度方法往往是基于固定的线路和时刻表，无法有效应对交通拥堵和乘客需求的变化。
而图神经网络可以对城市公交网络进行建模和优化，根据实时的交通和乘客需求动态调整公交线路和班次，提高公交系统的效率和服务质量。
基于深度神经网络的交通流预测技术研究
基于深度神经网络的交通流预测技术研究交通流预测是城市交通管理和交通规划的关键问题之一、准确的交通流预测可以帮助交通管理者提前做好交通控制，减少交通拥堵和交通事故的发生。
随着深度学习技术的发展，深度神经网络被广泛应用于交通流预测领域，取得了显著的成果。
数据预处理是深度神经网络交通流预测技术研究中的第一步，其目的是将原始的交通数据进行清洗和预处理，以便提高模型的训练效果。
常见的数据预处理方法包括数据缺失值的插值处理、异常值的剔除和数据平滑处理等。
网络模型的选择是基于深度神经网络的交通流预测技术研究中的关键环节。
常用的网络模型包括循环神经网络（RNN）、长短期记忆网络（LSTM）和卷积神经网络（CNN）等。
这些模型能够有效处理序列数据和空间信息，并具有良好的记忆能力和表达能力。
特征提取是基于深度神经网络的交通流预测技术研究中的重要环节。
交通数据具有时空特性，传统的特征提取方法难以完全提取出数据的时空关系。
深度神经网络可以自动学习数据的时空特征，能够更好地提取交通数据中隐藏的信息。
模型训练与优化是深度神经网络交通流预测技术研究中的最后一步。
在模型训练过程中，需要选择合适的损失函数和优化算法进行模型参数的优化。
常见的损失函数包括均方误差（MSE）和交叉熵损失函数等，常见的优化算法包括梯度下降法和Adam优化算法等。
总体而言，基于深度神经网络的交通流预测技术通过充分挖掘交通数据中的时空特征，能够准确预测交通流量和交通状况，为交通管理和规划提供重要的决策支持。
尽管深度神经网络的训练和预测存在一定的计算和存储成本，在应用中还面临着一些挑战，例如数据质量问题和模型解释性问题等，但随着硬件技术的进步和算法的改进，深度神经网络交通流预测技术有望在未来取得更好的发展。
神经网络如何分析和交通流量
神经网络如何分析和交通流量在数字化和智能化越来越普及的今天，我们对于城市交通流量的高效管理变得越发重要。
而神经网络技术的快速发展在这方面的应用日益广泛，通过对大量数据进行学习和处理，神经网络能够预测和优化交通流量，从而提升效率和安全性。
本文将介绍神经网络在交通流量分析与管理方面的应用。
神经网络是模拟人脑神经网络而制作的计算机网络。
它通过模拟人类大脑的生理结构和功能，从海量的繁杂数据中找到规律，并在未知数据集上得出准确的结果。
在交通流量分析方面，神经网络可以通过对历史交通数据的学习，预测未来的交通流量。
首先，神经网络可以构建交通流量模型。
通过对城市历史交通数据的收集和处理，神经网络可以建立一个交通流量模型，来描述城市交通流量的变化和趋势。
利用这个模型，可以预测未来流量的趋势和高峰期，从而指导交通信号的调节和车道限流。
其次，神经网络可以识别交通状况。
交通状况是一个非常复杂的问题，包括交通拥堵、事故、施工等诸多因素。
神经网络可以对城市交通数据进行深入分析，识别不同交通状况所对应的数据模式。
通过不断学习，神经网络可以逐渐改进分类方法，提升准确率，并及时发现交通问题，减少交通拥堵，提高道路通行能力。
最后，神经网络可以优化交通信号。
交通信号的调节对于交通流量的优化至关重要。
通常，交通信号的调节采用的是定时模式，这种模式的调节效果固定，无法针对实时路况进行调整。
而神经网络能够通过学习城市交通数据和路况信息，对交通信号进行动态调整。
根据实时路况和交通需求，相应地调整信号，提高通行效率，减少拥堵，提高车速和道路利用率。
总的来说，神经网络技术可为交通流量分析和交通管理提供高效、准确的解决方案。
它通过对城市交通数据的学习和分析，可以预测未来的交通流量，发现交通状况，优化交通信号，从而提高城市交通效率和安全性。
未来，我们还可以利用神经网络技术来优化交通路径规划，减少交通能量消耗，从而促进城市的可持续发展。
基于神经网络的交通运输预测
基于神经网络的交通运输预测一、前言交通运输是现代社会日益增长的重要需求之一。
随着城市化的不断推进和人口数量的快速增长，交通问题越来越引起人们的关注。
现在，随着科技的不断发展，基于神经网络的交通运输预测已经成为了可能。
本文将介绍相关研究现状，并探讨未来的发展趋势。
二、交通预测的必要性交通运输预测是城市交通运输规划和管理的基础，它为决策者和公众提供了准确的预测数据，能够帮助避免交通拥堵和交通事故。
此外，精确的交通预测还能够为交通监管部门制定有效的规章制度和应急措施，以最大限度地保护行人和驾驶员的安全。
三、神经网络模型神经网络是一种人工智能的技术，它最初是为了模拟人脑的运行方式而被发明的。
神经网络结构可以用于分类和预测问题。
在交通预测中使用神经网络模型需要两个输入值：历史数据和当前的实时环境。
神经网络模型的输入变量包括天气，交通流量，路面状况，节假日、季节等外部因素，以及内部变量的速度和车流量。
神经网络模型通过多层神经元的连接来处理输入变量。
每个神经元都使用一种非线性激活函数来集成来自前一层的输入，并生成其输出。
输出层的每个神经元能够用以预测交通流量、速度、的情况等关键信息。
四、神经网络的优势和局限性神经网络模型在预测精度和计算速度方面具有显著优势。
神经网络模型不需要明确定义问题的规则，因此可以将大量的信息融合在一起，形成空间和时间上的复杂关系，大幅减少了计算过程的复杂度。
然而，神经网络模型的缺点也不能忽视。
一方面，神经网络的训练需要大量的历史数据和计算资源，且需要花费大量的时间调试和验证。
另一方面，神经网络模型如果过度拟合历史数据，就可能遭受未知情况下误差较大的问题。
五、未来展望考虑到神经网络模型在交通运输预测中的成功应用，未来将有更多的研究致力于改进交通预测的准确性和速度，并充分利用随着科技飞速发展而积累下来的大量数据。
此外，在神经网络模型的应用中，还需要进一步考虑如何更好的处理数据的质量和异构性。
神经网络算法在智能交通系统中的应用研究
神经网络算法在智能交通系统中的应用研究一、智能交通系统与神经网络算法简述智能交通系统是利用现代科技手段实现智能交通运营与管理的系统，其应用领域广泛，包括智能交通信号控制、路况拥堵预警、交通场景识别等。
而神经网络算法则是一种基于大量数据学习特征的机器学习算法，包括反向传播神经网络、Hopfield网络、支持向量机等，其可以解决复杂的模式识别和分类问题。
在智能交通系统中，神经网络算法可以利用交通运营的实时数据对其进行存储、分析和处理，从而实现交通管理和决策优化，提高交通效率和安全性。
下面将分别从智能交通信号控制和路况拥堵预警两个方面探究神经网络算法在智能交通系统中的应用。
二、神经网络算法在智能交通信号控制中的应用1. 交通信号配时交通信号配时是指在路口设置合理的红绿灯时间，以适应路口交通流量变化的过程。
利用神经网络算法对交通信号配时进行优化，可以实现更加准确精细的交通配时，并能根据实时交通数据进行动态调整和改变。
2. 交通预测模型交通预测模型是指利用历史交通数据对未来交通状况进行预测的模型。
神经网络算法在交通预测模型中可以实现更高效准确的预测结果，有助于交通管理决策的优化。
三、神经网络算法在路况拥堵预警中的应用1. 路况拥堵识别利用神经网络算法对路况拥堵进行识别，可以实现对交通拥堵的实时监控和预警，及时采取交通措施，保证行车安全和交通稳定。
2. 路况预测模型利用神经网络算法建立路况预测模型，根据实时交通数据进行动态预测，可以对路况进行实时调整和优化控制。
四、神经网络算法在智能交通系统中的问题与挑战虽然神经网络算法在智能交通系统中有广泛的应用前景，但其在实际应用中也存在一些问题和挑战。
1. 数据获取问题神经网络算法需要大量数据进行学习和训练，但目前智能交通系统的数据获取依然存在许多限制，如数据缺失、数据时效性等问题，对神经网络算法的精度和效果产生影响。
2. 计算能力问题神经网络算法的学习、训练和预测过程需要大量计算能力和存储空间，对计算机硬件和软件的性能要求较高。
如何使用卷积神经网络进行交通流量预测
如何使用卷积神经网络进行交通流量预测交通流量预测是城市交通管理和规划的重要任务之一。
准确预测交通流量可以帮助交通管理部门合理规划道路资源、优化交通信号配时，提高交通效率，减少交通拥堵。
近年来，随着人工智能技术的快速发展，卷积神经网络（Convolutional Neural Network，CNN）在交通流量预测中得到了广泛应用。
卷积神经网络是一种深度学习模型，它模拟了人脑的神经网络结构，通过学习大量的数据来提取特征并进行预测。
在交通流量预测中，卷积神经网络可以通过对历史交通数据的学习，发现交通流量的规律和变化趋势，从而实现准确的预测。
首先，进行交通流量预测需要准备一定的数据。
通常情况下，我们可以利用历史交通数据来进行预测。
这些数据可以包括交通流量、道路状况、天气情况等信息。
这些数据可以通过交通监测设备、传感器等手段采集得到。
在准备数据时，需要注意数据的准确性和完整性，以及数据的时空分布特点。
接下来，需要对数据进行预处理。
预处理的目的是将原始数据转化为适合卷积神经网络进行处理的形式。
预处理的步骤包括数据清洗、数据归一化、数据划分等。
数据清洗是指去除异常值、缺失值等对预测结果影响较大的数据。
数据归一化是指将数据转化为一定的范围内，以便于神经网络的学习和预测。
数据划分是将数据集划分为训练集和测试集，用于模型的训练和评估。
在进行交通流量预测时，可以利用卷积神经网络的特点来提取交通数据的空间和时间特征。
卷积神经网络通过卷积操作可以有效地提取数据的空间特征，而通过时间序列的处理可以提取数据的时间特征。
通过将空间和时间特征结合起来，可以更准确地预测交通流量。
在训练卷积神经网络时，可以采用监督学习的方法，即给网络输入历史交通数据，输出对应的交通流量预测结果。
通过比较预测结果和真实值的差异，可以调整网络的参数，提高预测的准确性。
在监督学习中，可以使用各种损失函数来评估预测结果的准确性，如均方误差、交叉熵等。
除了卷积神经网络，还可以结合其他的深度学习模型进行交通流量预测。
利用神经网络优化高速公路车流量预测
利用神经网络优化高速公路车流量预测随着城市化进程的加速和汽车数量的快速增长，交通拥堵问题不断加剧，给人们的出行带来了诸多不便。
为了解决这一问题，交通管理部门需要根据预测的车流量制定相应的交通措施。
高速公路是快速通行的干线，车流量预测对于高速公路的运营管理起到了至关重要的作用。
而神经网络模型的使用可以为车流量预测提供更准确的预测结果。
一、车流量预测与神经网络车流量预测是交通规划和管理中重要的一环，能够提高交通系统的效率，保证交通运输的顺畅。
传统的车流量预测方法主要是基于时间序列分析和回归分析等方式。
但是，这些方法不如神经网络模型精度高，且受到数据质量和预测参数的限制。
神经网络模型是从人类神经系统中得到启发，模拟人脑的处理方式和学习能力。
神经网络具有非线性的建模能力，能够对高维复杂性问题进行优化，并能够进行非线性映射，适用于多元复杂问题的解决。
在车流量预测中，神经网络模型可以根据历史的车流量数据来预测未来时刻的车流量。
二、神经网络模型在高速公路车流量预测中的应用神经网络模型在高速公路车流量预测中的应用是比较广泛的。
在神经网络模型的构建中，需要确定神经网络的拓扑结构和节点之间的连接方式。
在车流量预测中，需要确定输入层、隐层和输出层的神经元个数。
输入层是指用来输入车流量预测的历史数据的神经元个数，隐层是指用来处理和计算以上数据的神经元个数，输出层是指预测的车流量数值。
在车流量预测中，神经网络模型的训练数据来源主要包括历史车流量数据、天气和时间等影响车流量的因素。
首先，需要对历史数据进行特征提取和数据预处理，并将数据输入神经网络模型中进行训练。
其次，在车流量预测中，天气因素对车流量有非常重要的影响，所以需要将天气数据作为输入数据。
最后，在车流量预测中，时间也是一个非常关键的因素，通过对历史车流量数据进行时间戳的处理，可以将时间因素作为另一个输入数据。
三、优化高速公路车流量预测的方法针对高速公路车流量预测中存在的准确性不高的问题，基于神经网络模型的车流量预测需要进行进一步的优化。
神经网络在短时交通量预测中的应用
摘要进入21世纪以来，人们的社会生活水平逐渐提高，随着车辆在大多数城市居民中的普及，城市交通拥堵问题恶化迅速。
为切实地解决这个问题，合理地安排交通运行，提高交通设施的使用效率，必须进行交通流的合理分配以及信号灯的优化配置，准确的短时交通流量预测是解决这些问题的重要依据。
近年来BP神经网络被广泛应用于预测研究。
本文设计了三层BP神经网络用于短时交通流量预测。
将预测日前三天同时段的交通量作为输入信号，预测当日某时段的交通量。
文中用江门市区小时交通量数据进行了仿真实验，结果表明该用方法进行短时交通流量预测是可行的。
最后，对预测结果的准确性进行分析和讨论。
关键词短时交通流量；BP神经网络；改进；仿真；预测AbstractSince twenty-first Century, the social life level of people is increasing gradually, along with the vehicle in most city residents in the popular, city traffic congestion problem deteriorated rapidly. In order to solve this problem, arrange the transportation operation rationally, improve the efficiency of the use of transportation facilities, optimize the allocation of a reasonable allocation to traffic flow and signal lamp, accurate traffic flow forecasting is an important basis for solving these problems.In recent years, the BP neural network has been widely used in the prediction of. This paper designs the short-term traffic flow forecasting for the three layer BP neural network. The prediction of traffic volume in three days time recently as the input signal, the traffic volume forecast at a time. With Jiangmen urban traffic volume data based on the simulation results, the results show that the method for short-term traffic flow forecasting is feasible. Finally, the accuracy of the prediction results are analyzed and discussed.Key words Short-term traffic flow BP neural network Improve Simulation Forecast目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 课题背景 (1)1.2 研究目的和意义 (1)1.3 本文研究的主要内容 (1)1.4 本文章节安排 (2)第2章神经网络介绍 (3)2.1 神经网络的发展现状 (3)2.2 神经网络的结构 (3)2.2.1 人工神经元 (3)2.2.2 神经网络的结构 (4)2.3 神经网络的应用与存在问题 (6)2.3.1 神经网络的应用 (6)2.3.2 神经网络存在的问题 (7)2.4 本章小结 (7)第3章 BP神经网络及其算法 (8)3.1 BP神经网络概述 (8)3.2 BP神经网络的结构 (8)3.3 BP算法 (10)3.3.1 BP算法的基本原理 (10)3.3.2 BP算法计算步骤 (13)3.4 BP神经网络的学习方式 (14)3.5 BP神经网络性能分析 (15)3.5.1 BP网络优点 (15)3.5.2 BP网络的不足 (15)3.5.3 BP网络的缺陷与改进 (15)3.6 本章小结 (16)第4章短时交通流量预测网络 (17)4.1 BP神经网络的设计与训练 (17)4.1.1 BP神经网络的设计方法 (17)4.1.2 改进型训练方法 (18)4.1.3 MATLAB神经网络工具箱 (20)4.2 预测网络的设计 (21)4.2.1神经元个数 (21)4.2.2激活函数的选择 (22)4.3预测网络的训练与测试 (22)4.3.1 训练参数设置 (22)4.3.2 仿真实验 (23)4.4 仿真结果分析 (28)4.5 本章小结 (28)结论 (29)参考文献 (30)致谢 (31)附录 (32)第1章绪论1.1 课题背景众所周知，我国是个人口大国，随着我国社会经济的发展，越来越多的内陆人民和农村居民涌入到东南岸沿海城市谋求更高的收入，再加上沿海城市本身的人口，我国的沿海城市都面临着严峻的交通拥堵问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
递推 Ｓ ＯＭ 神 经 网络 在 短 时 交 通 流 预 测 中的 应 用 黄
杰， 等
递推 Ｓ Ｏ Ｍ 神经 网络 在 短 时 交 通 流预 测 中的应 用
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ Ｒ ｅ ｃ ｕ ｒ ｓ ｉ ｖ ｅ ＳＯＭ Ｎｅ ｕ ｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ ｉ ｎ Ｓｈ ｏ ｒ ｔ ・ ｔ ｅ ｒ ｍ Ｔｒ ａ ｆ ｆ ｉ ｃ Ｆ ｌ ｏ ｗ Ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ
馈的 Ｒ ｅ ｃ Ｓ Ｏ Ｍ模型和能够利用结构化信息的 Ｓ Ｏ Ｍ Ｓ Ｄ模型。递推 Ｓ Ｏ Ｍ方法用全 Ｓ Ｏ Ｍ作为重复神经元， 用历史活动与当前信息的组合
作 为输 入 ， 通过 训练 神经元 的权值 及上 下文信 息学 习时 序动 态 。将 递 推 Ｓ Ｏ Ｍ 方法 应 用于 预测 某 地 区实 测交 通 流数 据 ， 并 与 现有 方 法 进行 比较 。试 验结 果表 明 ， 递推 Ｓ Ｏ Ｍ 方法 能有效 改善 预测 精度 ， 在 同等情 况下优 于其 他方 法 。 关键 词 ：短时 交通 流
鸶 在
李 雩
郛 翔２
（ 兰州交通 大 学 自动化 与 电气 工程 学院 ， 甘肃 兰州 ７ ３ ０ ０ ７ ０ ； 青藏铁 路公 司 ， 青海 西 宁 ８ １ ０ ０ ０ ０ ）
摘
要 ：针对 短时交 通流 预测 ， 提 出递归 自组 织映 射 （ Ｓ Ｏ Ｍ） 神 经 网络方法 。根 据 Ｓ Ｏ Ｍ神 经 网络 的联 想 记忆 技术 ， 分 别 给 出考虑 了反
ｈ ｉ ｓ ｔ ｏ ｉｃ ｒ ａ ｌ ａ ｃ ｔ ｉ ｖ ｉ ｔ ｉ ｅ ｓ ａ ｎ ｄ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ａ ｓ ｔ ｈｅ ｉ ｎ ｐｕ ｔ ；ｉ ｔ ｌ ｅ ａ ｒ ｎ ｓ ｔ ｉ ｍｅ ｓ ｅ ｉｅ ｒ ｓ ｄ ｙ ｎ ａ ｍｉ ｃ ｓ ｂｙ ｔ ｒ ａ ｉ ｎ ｉ ｎｇ ｔ ｈ ｅ ｗｅ ｉ ｇ ｈ ｔ ｖ ａ ｌ ｕ ｅ ｏ ｆ ｎ ｅ ｕ ｒ ｏ ｎ ａ ｎ ｄ ｃ ｏ ｎ ｔ ｅ ｘ ｔ ｉ ｆｏ ｎ ｒ ｍａ ｔ ｉ ｏ ｎ．Ｔｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ ｒ ｅ ｅ ｕ ｒ ｓ ｉ ｖ ｅ Ｓ ＯＭ ｉ ｓ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｉ ｎ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ ｔ ｒ ａ ｆｉ ｃ ｌｏ ｆ ｗ ｄ ａ ｔ ａ ｏ ｆ ａ ｎ ａ ｒ ｅ ａ。ａ ｎ ｄ ｃ ｏ ｍｐ ａ ｒ ｉ ｓ ｏ ｎ ｗｉ ｔ ｈ ｅ ｘ ｉ ｓ ｔ ｉ ｎ ｇ ｍｅ ｈｏ ｔ ｄ
ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｄ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｇ ｉ ｖ ｅ ｎ ｒ ｅ ｓ ｐ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ．Ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ ｒ ｅ ｃ ｕ ｒ ｓ ｉ ｖ ｅ Ｓ Ｏ Ｍ ｕ ｓ ｅ ｓ ｆ ｕ ｌ ｌ Ｓ ＯＭ ａ ｓ ｔ ｈ ｅ ｒ ｅ ｐ ｌ ｉ ｃ ａ ｔ ｅ ｄ ｎ ｅ ｕ ｒ ｏ ｎ，ａ ｎ ｄ ｔ ｈ ｅ ｃ ｏ ｍｂ ｉ ｎ ａ ｔ ｉ ｏ ｎ ｏ ｆ
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：Ｓ ｈ ｏ ｒ ｔ — ｔ ｅ ｍ ｒ ｔ ｒ ａ ｆ ｉ ｃ ｌ ｆ ｏ ｗ Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ ｔ ｒ ａ ｎ ｓ ｐ ｏ ｒ ｔ ａ ｔ ｉ ｏ ｎ Ｓ ｅ ｆ ｌ － ｏ ｒ ｇ ａ ｎ ｉ ｚ ｉ ｎ ｇ ｍａ ｐ Ｎｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ Ｒｅ ｃ ｕ ｒ ｓ ｉ ｏ ｎ Ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ
中 图分 类号 ：Ｔ Ｐ ３ ９ １
智能交 通 自组 推
预测
ＤＯ Ｉ ： １ ０ ． １ ６ ０ ８ ６ ／ ｊ ． ｅ ｎ ｋ ｉ ． ｉ ｓ ｓ ｎ ｌ ０ ０ ０— ０ ３ ８ ０． ２ ０ １ ５ ０ ４ ０ ０ １
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｆ ｏ ｒ ｓ ｈ ｏ ｒ ｔ － ｔ ｅ ｒ ｍ ｔ ｒ ａ ｆ ｉ ｆ ｃ ｌ ｆ ｏ ｗ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ 。 ｔ ｈ ｅ ｍ ｅ ｔ ｈ ｏ ｄ ｏ ｆ ｒ ｅ ｃ ｕ ｒ ｓ ｉ ｖ ｅ ｓ ｅ ｌ ｆ － ｏ ｒ ｇ ａ ｎ ｉ ｚ ｉ ｎ ｇ ｍ ａ ｐ（ Ｓ Ｏ Ｍ） ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．Ｏ ｎ ｔ ｈ ｅ ｂ ａ ｓ ｉ ｓ
ｉ ｓ ｃ ｏ ｎ ｄ ｕ ｃ ｔ ｅ ｄ－ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｉｍｅ ｒ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ ｒ ｅ ｃ ｕ ｒ ｓ ｉ ｖ ｅ Ｓ ＯＭ ｅ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ；ｉ ｔ ｉ ｓ ｓ ｕ ｐ ｅ ｉｏ ｒ ｒ ｔ ｏ ｏ ｈｅ ｔ ｒ ｍｅ ｈｏ ｔ ｄ ｓ ｕ ｎ ｄ ｅ ｒ ｔ ｈ ｅ ｓ ａ ｍｅ ｃ ｉ ｒ ｃ ｕ ｍｓ ｔ ａ ｎ ｃ ｅ ｓ ．