高效精確的交通流量預(yù)測(cè)是實(shí)現(xiàn)交通系統(tǒng)智能化的重要基礎(chǔ)。短期交通流量預(yù)測(cè)為智能交通系統(tǒng)提供保障。短期交通流量預(yù)測(cè)是基于動(dòng)態(tài)獲取的過去時(shí)間的交通流量序列數(shù)據(jù)以預(yù)測(cè)未來的交通流量狀態(tài)。在智能交通系統(tǒng)中最重要的一環(huán)就是攝像監(jiān)控系統(tǒng)。近年來,公共場(chǎng)所布控?cái)z像頭的數(shù)量呈現(xiàn)井噴式增長(zhǎng),面對(duì)豐富、海量的攝像信息,人工審看的工作模式已經(jīng)無法應(yīng)對(duì)視頻數(shù)據(jù)的爆炸性增長(zhǎng),海量圖像低效能應(yīng)用逐漸成為智能交通中圖像分析的瓶頸。為了有效利用城市交通監(jiān)控圖像中的信息進(jìn)行短期交通流量預(yù)測(cè),本文提出基于深度學(xué)習(xí)的車輛檢測(cè)方法和短期交通流量預(yù)測(cè)的方法。針對(duì)監(jiān)控圖像中車輛目標(biāo)遮擋和雨天環(huán)境下車輛的誤檢問題,重點(diǎn)研究了基于注意力結(jié)構(gòu)的Faster R-CNN車輛檢測(cè)方法,在基礎(chǔ)的Faster R-CNN網(wǎng)絡(luò)中添加有監(jiān)督的注意力模塊,對(duì)主干網(wǎng)絡(luò)提取的特征進(jìn)行顯著性增強(qiáng),同時(shí)使后續(xù)的網(wǎng)絡(luò)結(jié)構(gòu)受益。針對(duì)當(dāng)前基于神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)方法由于嵌入了部分手工設(shè)計(jì)的特征,網(wǎng)絡(luò)結(jié)構(gòu)較為剛性,存在適應(yīng)性差、魯棒性差、對(duì)數(shù)據(jù)的局部特征刻畫不準(zhǔn)確等缺點(diǎn),本文提出了基于維度加權(quán)的殘差長(zhǎng)短期記憶網(wǎng)絡(luò)的短期交通流量預(yù)測(cè)方法,擺脫手工固定特征結(jié)構(gòu)的限制,實(shí)現(xiàn)對(duì)交通流量數(shù)據(jù)的自適應(yīng)建模分析,根據(jù)車輛計(jì)數(shù)轉(zhuǎn)化成的時(shí)間序列數(shù)據(jù)進(jìn)行短期交通流量預(yù)測(cè)。實(shí)驗(yàn)證明,本文方法充分利用了城市交通監(jiān)控圖像數(shù)據(jù)的信息,在新加坡城市監(jiān)控?cái)?shù)據(jù)集上,本文方法表現(xiàn)出了較好的泛化能力和較高的準(zhǔn)確率。
【學(xué)位單位】：天津工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：U495;TP391.41
【部分圖文】：

分類的準(zhǔn)確度又能有效的縮減網(wǎng)絡(luò)的參數(shù)數(shù)量。??本文以先以ＶＧＧ－１６為主干網(wǎng)絡(luò)來說明Ｆａｓｔｅｒ?Ｒ－ＣＮＮ的工作流程，其網(wǎng)絡(luò)??結(jié)構(gòu)圖如圖２－１所示。??

２．１．３區(qū)域建議網(wǎng)絡(luò)??區(qū)域建議網(wǎng)絡(luò)（ＲＰＮ）能夠接受所有的參考框（即錨框）作為輸入，并通過訓(xùn)練??輸出對(duì)應(yīng)的目標(biāo)候選框，其結(jié)構(gòu)如圖２－３所示。區(qū)域建議網(wǎng)絡(luò)能夠?yàn)槊總�(gè)錨框提??供兩個(gè)不同的輸出。第一個(gè)輸出是錨框作為目標(biāo)的概率，同樣也可以稱為“目標(biāo)??性得分”。在這里區(qū)域建議網(wǎng)絡(luò)并不關(guān)心目標(biāo)的實(shí)際類別，其只在意該錨框是不??是一個(gè)前景目標(biāo)。通過“目標(biāo)性得分”過濾掉得分低的預(yù)測(cè)框，為第二階段做準(zhǔn)??備。第二個(gè)輸出是對(duì)邊框進(jìn)行回歸，調(diào)整錨框的坐標(biāo)以更好地?cái)M合其預(yù)測(cè)的目標(biāo)。??５ｘ２＝１０＾??＜??？??邊棰分類??ＩＸ！??特卷為＿層?＿＿巧〇１釀坐標(biāo)—???邊框０歸??１Ｘ１??圖２－３?ＲＰＮ結(jié)構(gòu)示意圖??區(qū)域建議網(wǎng)絡(luò)是用全卷積的方式來進(jìn)行高效實(shí)現(xiàn)的，其用主干網(wǎng)絡(luò)返回的特??征圖作為輸入。在這里，首先使用一個(gè)有５１２個(gè)通道和３ｘ３卷積核大小的卷積層，??然后使用兩個(gè)１ｘ１卷積的并行卷積層分別進(jìn)行分類和回歸預(yù)測(cè)，兩個(gè)卷積核的通??道數(shù)量取決于每個(gè)點(diǎn)的錨框數(shù)量。??對(duì)于１ｘ１卷積的分類層

由于錨框經(jīng)常存在重疊，所以最后生成的區(qū)域建議框也可能在同一個(gè)目標(biāo)上??重疊。非極大抑制（Ｎｏｎ－ｍａｘｉｍｕｍ?ｓｕｐｐｒｅｓｓｉｏｎ，ＮＭＳ）算法能夠有效的去除一些重??復(fù)的框，如圖２－４所示。??Ｉ－??圖２－４?ＮＭＳ算法作用示意圖??非極大值抑制算法首先會(huì)對(duì)所有類別中的實(shí)例按照目標(biāo)性得分進(jìn)行排序，在??每個(gè)排序中，將最高得分的實(shí)例與其他剩下的實(shí)例按照重疊區(qū)域一次進(jìn)行比對(duì)，??當(dāng)兩個(gè)實(shí)例的重疊區(qū)域大于某個(gè)閾值時(shí)，去除目標(biāo)性得分小的實(shí)例，依次循環(huán)下??去，最終得到所需要的結(jié)果。雖然這個(gè)算法看起來很簡(jiǎn)單，但是此算法對(duì)閾值的??設(shè)置過于敏感。因此，最近還有一系列改進(jìn)的算法出現(xiàn)在大眾面前，例如??ｓｏｆｔ－ＮＭＳ，ｓｏｆｔｅｒ－ＮＭＳ?等。??區(qū)域建議網(wǎng)絡(luò)可以單獨(dú)作為使用。例如在只有一類的目標(biāo)檢測(cè)問題中，區(qū)域??建議網(wǎng)絡(luò)的目標(biāo)性得分可以用為最終的前景目標(biāo)判別其類別的概率。人臉檢測(cè)??（ｆａｃｅ?ｄｅｔｅｃｔｉｏｎ）和文本檢測(cè)（ＯＣＲ）等可以從單獨(dú)使用區(qū)域建議網(wǎng)絡(luò)中取得非常好??的檢測(cè)精度。單獨(dú)使用區(qū)域建議網(wǎng)絡(luò)還可以使模型的訓(xùn)練和測(cè)試的速度有大幅度??的提高
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉洋;;船舶航道交通流量預(yù)測(cè)系統(tǒng)構(gòu)建研究[J];艦船科學(xué)技術(shù);2019年02期

2 張樹奎;肖英杰;;考慮周期性波動(dòng)因素的船舶交通流量預(yù)測(cè)模型[J];大連海事大學(xué)學(xué)報(bào);2016年04期

3 梁計(jì)鋒;;基于改進(jìn)粒子群算法的交通流量預(yù)測(cè)研究[J];電子設(shè)計(jì)工程;2017年06期

4 張婉琳;;遺傳算法優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)[J];激光雜志;2014年12期

5 王俊玲;郭彬;;云技術(shù)在高速公路交通流量預(yù)測(cè)中的應(yīng)用研究[J];智富時(shí)代;2015年S1期

6 崔艷;程躍華;;小波支持向量機(jī)在交通流量預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)仿真;2011年07期

7 范魯明;賀國(guó)光;;改進(jìn)非參數(shù)回歸在交通流量預(yù)測(cè)中的應(yīng)用[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年01期

8 曹莉;唐玲;吳浩;高祥;樂英高;;基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)研究[J];四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2015年06期

9 雷少梅;賈旭杰;于在洋;;基于高斯核函數(shù)的短時(shí)交通流量預(yù)測(cè)[J];中央民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S1期

10 孔繁鈺;周愉峰;陳綱;;基于時(shí)空特征挖掘的交通流量預(yù)測(cè)方法[J];計(jì)算機(jī)科學(xué);2019年07期

相關(guān)碩士學(xué)位論文 前10條

1 唐德華;基于城市監(jiān)控圖像分析的短期交通流量預(yù)測(cè)方法[D];天津工業(yè)大學(xué);2019年

2 肖歡歡;基于神經(jīng)網(wǎng)絡(luò)及聚類的城市區(qū)域交通流量預(yù)測(cè)研究[D];廣西師范大學(xué);2019年

3 郭德;城市短期交通流量預(yù)測(cè)[D];山東大學(xué);2018年

4 李巋林;基于交通流量預(yù)測(cè)的城市交通信號(hào)控制研究及系統(tǒng)設(shè)計(jì)[D];華南理工大學(xué);2018年

5 黃振盛;考慮時(shí)空多因素的城市道路短時(shí)交通流量預(yù)測(cè)的研究[D];合肥工業(yè)大學(xué);2018年

6 吳松澤;智能交通流量預(yù)測(cè)系統(tǒng)的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2018年

7 史亞星;基于深度學(xué)習(xí)的交通流量預(yù)測(cè)與可視化方法研究[D];北方工業(yè)大學(xué);2018年

8 許麗;基于多源數(shù)據(jù)的通勤高峰期交通流量預(yù)測(cè)方法[D];西南交通大學(xué);2017年

9 張仁初;寧波港船舶交通流量預(yù)測(cè)研究[D];大連海事大學(xué);2008年

10 談堃;基于路口相關(guān)性的變結(jié)構(gòu)式組合交通流量預(yù)測(cè)的研究[D];合肥工業(yè)大學(xué);2017年

本文編號(hào)：2868838