【摘要】：為了解決日益嚴重的交通問題,尤其是交通擁堵問題,交通部門開始廣泛的應(yīng)用智能交通系統(tǒng)(intelligent transportation system,ITS)來進行動態(tài)交通管理。短時交通流預(yù)測,不僅僅是智能交通的核心組成部分,更是交通管理部門實施交通管理及誘導(dǎo)的核心依據(jù)。同時,準(zhǔn)確的交通流預(yù)測信息還可以為出行者提供詳細的、實時的道路信息,來提高道路的通行能力,避免擁堵。所以,準(zhǔn)確的交通流預(yù)測模型尤為重要。另外,伴隨著大數(shù)據(jù)的不斷發(fā)展和應(yīng)用,獲得的交通流數(shù)據(jù)越來越多,如何應(yīng)用這些數(shù)據(jù)來更加精準(zhǔn)地預(yù)測短時交通流已成為至關(guān)重要的問題。由于短時交通流具有不確定性、周期性、相關(guān)性和非線性等特點,是一種典型的時序數(shù)據(jù),所以準(zhǔn)確預(yù)測的核心就是獲取數(shù)據(jù)之間的潛在關(guān)聯(lián)和影響�；谝陨媳尘�,本文建立了基于長短時記憶神經(jīng)網(wǎng)絡(luò)(long-shorttermmemory,LSTM)的短時交通流預(yù)測模型,具體研究內(nèi)容如下:首先,本文分析了目前短時交通流預(yù)測模型的優(yōu)缺點,然后對交通流的參數(shù)以及與處理方法進行介紹,第二步對機器學(xué)習(xí)和深度學(xué)習(xí)進行詳細的闡述,為模型的建立奠定理論基礎(chǔ)。之后建立了基于長短時記憶網(wǎng)絡(luò)的預(yù)測模型,然后詳細介紹了模型的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練過程,通過不斷地調(diào)整參數(shù),使模型到達最優(yōu)。最后通過與反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)模型、支持向量機(support vector machine,SVM)以及門控循環(huán)單元(gated recurrent unit,GRU)神經(jīng)網(wǎng)絡(luò)進行對比,表明該模型的均方根誤差(root mean squared error,RMSE)、平均絕對誤差(mean absolute error,MAE)、平均絕對百分比誤差(mean absolute percentage error,MAPE)更小,預(yù)測準(zhǔn)確率更高。本文還采用了不同路段的數(shù)據(jù)分別進行訓(xùn)練。通過對比可以看到,該模型對于本文所選的各個路段的預(yù)測準(zhǔn)確率基本穩(wěn)定在93%左右,說明基于LSTM的短時交通流預(yù)測模型可以較準(zhǔn)確地獲取數(shù)據(jù)的時序性特征,而且具有良好的穩(wěn)定性,可以適用于不同路段的交通流預(yù)測。
【圖文】：

誤差會沿著信息傳播的反方向前進，并且根據(jù)順序?qū)?quán)重和偏置情況進行調(diào)整。逡逑通過調(diào)整每一層的權(quán)重和偏置不斷地去優(yōu)化所建立的模型，直到達到最大迭代逡逑數(shù)。其結(jié)構(gòu)如圖３－１所示：逡逑．．．．．＾逡逑輸入展邐隱含層邐輸出層逡逑圖３－１邋ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)逡逑Ｆｉｇｕｒｅ邋３－１邋ＢＰ邋ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ邋ｓｔｒｕｃｔｕｒｅ逡逑Ｂｐ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過如下：逡逑假設(shè)輸入向量為Ｘ，隱含層輸入向量為／７，＋，隱含層輸出向量為／？0，輸出層輸逡逑入向量Ａ，，輸出層輸出向量％，期望輸出向量輸入層與中間層連接權(quán)值為逡逑Ｈ＾，隱含層與輸出層的連接權(quán)值為＿。，隱含層各神經(jīng)元閾值心，輸出層各神經(jīng)逡逑元閾值心，樣本個數(shù)々，激活函數(shù)／（Ｘ；）。貝ＩＪ：逡逑第一步：網(wǎng)絡(luò)初始化。給個鏈接權(quán)值分別賦予一個區(qū)間（－１，１）內(nèi)的隨機逡逑數(shù)，設(shè)定誤差函數(shù)＆給定計算精度值ｆ和最大學(xué)習(xí)次數(shù)Ｍ。逡逑第二步：隨機選取第々個輸入樣本及對應(yīng)的期望輸出逡逑ｘ⑷＝（ｘ丨⑷，ｘ２（々）＂．，＇⑷）邐（３－１）逡逑ｄ0｛ｋ）邋＝邋｛ｄｘ｛ｋ）

的處理信息加以記憶，從而使得隱含層的輸入包含兩部分：既有輸入層的輸出，逡逑還有上一時刻隱含層的輸出［４１］。這種神經(jīng)網(wǎng)絡(luò)可以幫助我們更好地去掌握與時逡逑間相關(guān)的復(fù)雜關(guān)系，從而得到最理想的預(yù)測模型。ＲＮＮ的結(jié)構(gòu)圖如圖３－２以及逡逑３－３所示。逡逑－邐Ｃ，．逡逑輸出層邐＾逡逑圖３－２邋ＲＮＮ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)逡逑Ｆｉｇｕｒｅ邋３－２邋ＲＮＮ邋ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ邋ｓｔｒｕｃｔｕｒｅ逡逑１７逡逑
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP183;U491.1

【參考文獻】

相關(guān)期刊論文 前10條

1 李巧茹;趙蓉;陳亮;;基于SVM與自適應(yīng)時空數(shù)據(jù)融合的短時交通流量預(yù)測模型[J];北京工業(yè)大學(xué)學(xué)報;2015年04期

2 趙娜;袁家斌;徐晗;;智能交通系統(tǒng)綜述[J];計算機科學(xué);2014年11期

3 李穎宏;劉樂敏;王玉全;;基于組合預(yù)測模型的短時交通流預(yù)測[J];交通運輸系統(tǒng)工程與信息;2013年02期

4 郭海鋒;方良君;俞立;;基于模糊卡爾曼濾波的短時交通流量預(yù)測方法[J];浙江工業(yè)大學(xué)學(xué)報;2013年02期

5 沈國江;王嘯虎;孔祥杰;;短時交通流量智能組合預(yù)測模型及應(yīng)用[J];系統(tǒng)工程理論與實踐;2011年03期

6 譚滿春;李英俊;徐建閩;;基于小波消噪的ARIMA與SVM組合交通流預(yù)測[J];公路交通科技;2009年07期

7 孫湘海;劉潭秋;;基于SARIMA模型的城市道路短期交通流預(yù)測研究[J];公路交通科技;2008年01期

8 張曉利;;基于小波分析與神經(jīng)網(wǎng)絡(luò)的交通流短時預(yù)測方法[J];信息與控制;2007年04期

9 曲大義;管德永;劉志剛;王殿海;;中國城市混合交通流特性研究[J];青島理工大學(xué)學(xué)報;2007年03期

10 徐啟華;楊瑞;;支持向量機在交通流量實時預(yù)測中的應(yīng)用[J];公路交通科技;2005年12期

相關(guān)碩士學(xué)位論文 前10條

1 王苗苗;基于機器學(xué)習(xí)的短時交通流預(yù)測方法研究[D];長安大學(xué);2017年

2 黨凱樂;基于神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)信息傳播預(yù)測算法研究[D];南京郵電大學(xué);2016年

3 金留可;基于遞歸神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)命名實體識別[D];大連理工大學(xué);2016年

4 焦琴琴;基于深度學(xué)習(xí)的路網(wǎng)短時交通流預(yù)測[D];長安大學(xué);2016年

5 江德浩;基于深度信念網(wǎng)絡(luò)的短時交通流預(yù)測[D];湖南師范大學(xué);2016年

6 孫瑞奇;基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價格趨勢預(yù)測模型的研究[D];首都經(jīng)濟貿(mào)易大學(xué);2016年

7 朱宏吉;基于深度信念網(wǎng)絡(luò)的車牌字符識別算法研究與實現(xiàn)[D];浙江大學(xué);2015年

8 于亞男;基于神經(jīng)網(wǎng)絡(luò)模型的短時交通流預(yù)測及應(yīng)用研究[D];太原理工大學(xué);2015年

9 徐穎超;基于組合模型的短時交通流的預(yù)測研究[D];蘭州交通大學(xué);2014年

10 張麗;基于云平臺的短時交通流預(yù)測算法設(shè)計與實現(xiàn)[D];大連理工大學(xué);2013年

本文編號：2624142