本文關(guān)鍵詞： LSTM網(wǎng)絡(luò) 公交到站時(shí)間預(yù)測(cè) 深度學(xué)習(xí) 循環(huán)神經(jīng)網(wǎng)絡(luò) 遷移學(xué)習(xí)　出處：《青島大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：公交到站時(shí)間預(yù)測(cè)是城市居民出行服務(wù)的需要,是廣大乘客最關(guān)心的交通信息之一,它的預(yù)測(cè)準(zhǔn)確度直接影響著乘客對(duì)公交系統(tǒng)的滿意度,預(yù)測(cè)準(zhǔn)確度的提高可以節(jié)約廣大乘客的等待時(shí)間,從而提高出行效率,進(jìn)而提升公交系統(tǒng)的服務(wù)水平,吸引更多乘客乘坐公交車,有利于解決交通擁堵問題。本文針對(duì)公交到站時(shí)間預(yù)測(cè)問題進(jìn)行了研究,公交到站時(shí)間既與當(dāng)前到站時(shí)間有關(guān),又與歷史同期數(shù)據(jù)相關(guān),基于此本文根據(jù)深度學(xué)習(xí)中的LSTM網(wǎng)絡(luò)模型在時(shí)間序列處理方面的優(yōu)點(diǎn),構(gòu)建了基于LSTM網(wǎng)絡(luò)的公交到站時(shí)間預(yù)測(cè)模型,并通過實(shí)驗(yàn)的方法驗(yàn)證了此模型的有效性與可實(shí)施性。本文的主要工作如下:1.將現(xiàn)有多種公交到站時(shí)間預(yù)測(cè)模型進(jìn)行介紹。詳細(xì)介紹了深度學(xué)習(xí)的相關(guān)內(nèi)容和循環(huán)神經(jīng)網(wǎng)絡(luò)與LSTM網(wǎng)絡(luò)的內(nèi)容和結(jié)構(gòu),分析并總結(jié)影響公交到站時(shí)間的靜態(tài)、動(dòng)態(tài)因素。2.建立了基于LSTM的公交到站時(shí)間預(yù)測(cè)模型。以青島市公交到站時(shí)間預(yù)測(cè)為例,在對(duì)數(shù)據(jù)進(jìn)行了缺失值及歸一化處理的基礎(chǔ)上,構(gòu)建了基于LSTM的公交到站時(shí)間預(yù)測(cè)模型,并對(duì)青島市公交車到站時(shí)間進(jìn)行預(yù)測(cè),結(jié)果表明了此預(yù)測(cè)模型的可行性與有效性。3.優(yōu)化模型。為了提高模型的預(yù)測(cè)精度,對(duì)模型進(jìn)行了優(yōu)化,最后面對(duì)特定的訓(xùn)練數(shù)據(jù)樣本比較少的問題,通過遷移學(xué)習(xí)的方式對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充,來提高網(wǎng)絡(luò)模型的性能,進(jìn)而提高預(yù)測(cè)準(zhǔn)確度。
[Abstract]:Bus arrival time prediction is the need of urban residents travel service, is one of the most concerned traffic information of the majority of passengers, its prediction accuracy directly affects the passenger satisfaction to the bus system. The improvement of prediction accuracy can save the waiting time of the vast number of passengers, thus improve the travel efficiency, and then improve the service level of the public transport system, and attract more passengers to take the bus. In this paper, the problem of bus arrival time prediction is studied. The bus arrival time is not only related to the current arrival time, but also related to the historical data. Based on this, according to the advantages of LSTM network model in deep learning in time series processing, a bus arrival time prediction model based on LSTM network is constructed. The main work of this paper is as follows: 1. The existing bus arrival time prediction models are introduced. The related contents of the in-depth learning and follow are introduced in detail. The content and structure of loop neural network and LSTM network, The static and dynamic factors affecting bus arrival time are analyzed and summarized. 2. A bus arrival time prediction model based on LSTM is established. Taking Qingdao bus arrival time prediction as an example, the missing values and normalized data are processed. The bus arrival time prediction model based on LSTM is constructed, and the bus arrival time in Qingdao is forecasted. The results show that the prediction model is feasible and effective. In order to improve the performance of the network model and improve the prediction accuracy, the model is optimized, and the data set is expanded by migration learning for the problem of fewer training data samples.
【學(xué)位授予單位】：青島大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP18;U491.17

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳棟棟;邵毅;景謙平;霍振彬;;北京交通擁堵引起的生態(tài)經(jīng)濟(jì)價(jià)值損失評(píng)估[J];生態(tài)經(jīng)濟(jì);2013年04期

2 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

3 丁鋒;;系統(tǒng)辨識(shí)(6):多新息辨識(shí)理論與方法[J];南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

4 鄭周景;應(yīng)艷杰;;智能公交系統(tǒng)研究[J];安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報(bào);2008年02期

5 于濱;楊忠振;林劍藝;;應(yīng)用支持向量機(jī)預(yù)測(cè)公交車運(yùn)行時(shí)間[J];系統(tǒng)工程理論與實(shí)踐;2007年04期

6 溫惠英;徐建閩;傅惠;;基于灰色關(guān)聯(lián)分析的路段行程時(shí)間卡爾曼濾波預(yù)測(cè)算法[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年09期

7 關(guān)偉;蔡曉蕾;;城市環(huán)路交通流實(shí)時(shí)滾動(dòng)預(yù)測(cè)實(shí)用模型[J];交通運(yùn)輸系統(tǒng)工程與信息;2006年04期

8 張?zhí)觅t;郭中天;;公交車到站時(shí)間暨復(fù)合路線旅行時(shí)間預(yù)估模式的研究[J];土木工程學(xué)報(bào);2005年12期

9 董敬欣,吳建平 ,郭繼孚;基于GPS/GIS數(shù)據(jù)的路網(wǎng)層次劃分研究——北京的實(shí)踐[J];城市規(guī)劃;2005年10期

10 張飛舟,楊東凱,范躍祖,孫先仿;智能交通系統(tǒng)中的公共交通信息管理體系[J];北京航空航天大學(xué)學(xué)報(bào);2000年04期

相關(guān)碩士學(xué)位論文 前10條

1 彭俊偉;基于靜態(tài)和動(dòng)態(tài)算法結(jié)合的公交到站時(shí)間預(yù)測(cè)[D];杭州電子科技大學(xué);2016年

2 計(jì)曉昕;公交車到站時(shí)間預(yù)測(cè)模型與實(shí)證研究[D];北京交通大學(xué);2015年

3 謝玲;公交到站時(shí)間預(yù)測(cè)及換乘機(jī)制的研究[D];蘇州大學(xué);2014年

4 馮太群;公交�？繉�(duì)路段通行能力的影響分析[D];西南交通大學(xué);2012年

5 趙明月;實(shí)時(shí)公交信息服務(wù)關(guān)鍵技術(shù)研究[D];上海交通大學(xué);2012年

6 劉劍瑛;實(shí)時(shí)公交信息查詢系統(tǒng)到站時(shí)間預(yù)測(cè)功能的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2012年

7 �；�;公交車輛到站時(shí)間預(yù)測(cè)研究[D];北京交通大學(xué);2010年

8 朱麗穎;公交車輛行程時(shí)間預(yù)測(cè)方法研究[D];北京交通大學(xué);2010年

9 夏貴榮;神經(jīng)網(wǎng)絡(luò)集成在公交行駛時(shí)間預(yù)測(cè)中的研究與應(yīng)用[D];蘭州理工大學(xué);2010年

10 李福雙;智能公交車輛到站時(shí)間預(yù)測(cè)研究[D];北京交通大學(xué);2009年

，

本文編號(hào)：1499877