伴隨著城市化和道路交通運輸載體的機動化的快速發(fā)展。由于土地資源的限制,道路的建設速度遠遠不能滿足實際交通需求。隨之帶來的道路擁堵問題,已經(jīng)成為制約城市邁向更高層次發(fā)展的核心阻力之一。為了緩解城市交通路況擁堵現(xiàn)象,精準、高效、穩(wěn)定和實時的城市道路網(wǎng)交通流預測去刻畫區(qū)域道路交通路況,對城市道路交通網(wǎng)以及軌道交通網(wǎng)絡無縫對接和高質量的交通監(jiān)控優(yōu)化具有重要的戰(zhàn)略意義�，F(xiàn)有的交通是基于人、車、路、環(huán)境構建的集合體,由于人的出行活動驅動了大量的道路交通流數(shù)據(jù)產(chǎn)生,從而促使道路交通表現(xiàn)不同路況形態(tài)。鑒于交通流本身的波動性、非線性的特性極易受到外界因素的干擾,以往的交通流預測研究考慮到的數(shù)據(jù)特征比較單一、交通網(wǎng)絡模型過于復雜或者簡單,導致模型泛化能力弱,預測的道路交通流無法精確、高效實時地反映實際道路交通狀態(tài)等缺陷。隨著物聯(lián)網(wǎng)、云計算等大數(shù)據(jù)技術不斷完善更新發(fā)展,獲取實時的城市區(qū)域交通多特征數(shù)據(jù)已經(jīng)成為現(xiàn)實,海量的、多維度的傳感器交通數(shù)據(jù)為城市的交通狀態(tài)模式識別和監(jiān)測系統(tǒng)的構建研究提供了源頭保障�；诖�,本文利用區(qū)域多特征交通數(shù)據(jù),在特征工程階段采用半監(jiān)督學習方式,根據(jù)信息熵理論的決策樹算法對特征進行重組融合,以此為基礎,提出了一種優(yōu)化的隱馬爾可夫模型對交通流預測以及交通狀態(tài)的模式識別的方法。結合山東省臨淄區(qū)交通數(shù)據(jù)進行課題實驗研究,主要工作內容過程如下:首先,研究分析交通流預測模型的國內外現(xiàn)狀,認識影響交通流變化本質因素。根據(jù)客觀事實,對實際獲取的區(qū)域交通數(shù)據(jù)進行標注,同時進行特征工程操作處理。其次,為了減少模型算法受數(shù)據(jù)輸入端潛在的噪聲影響,在構建交通流預測模型之前添加決策樹算法,篩選影響道路交通流狀態(tài)的特征屬性數(shù)據(jù)進行對應的重組融合。最后,針對原始的隱馬爾可夫模型(Hidden Markov Model,HMM)最佳狀態(tài)參數(shù)難以選擇且參數(shù)訓練過程中確定的狀態(tài)數(shù)冗余導致模型過度擬合、泛化能力弱的問題。提出了一種優(yōu)化的隱馬爾可夫模型的交通流預測機制,結合貝葉斯信息準則與赤池信息準則理論,通過實際數(shù)據(jù)驗證,有效增強了模型的泛化能力以及穩(wěn)定性。
【學位單位】：蘭州交通大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U491.14
【部分圖文】：

ITS結構示意圖

基于隱馬爾可夫模型的交通流預測研究間序列結構的交通流數(shù)據(jù)，對構建的交通模型進行參�？偨Y前人的經(jīng)驗，本文的亮點在于采用半監(jiān)督學習特征重組融合，指導交通模型朝著實際道路路況進行法優(yōu)化促進交通模型無監(jiān)督自動學習，從而達到交通通流的研究，具有時序的概率生成的網(wǎng)絡結構的隱odel,HMM）在金融和語音領域中發(fā)揮不可替代的作預測中開始閃亮登場，繼而在城市道路交通路徑誘導和提供一個科學、可行的出行策略。因此文本的研究技

本文采用半監(jiān)督學習方式，在數(shù)據(jù)特征工程處理階段，根據(jù)實際交通調查指標，參考國內交通規(guī)范，對一部分數(shù)據(jù)進行人為標簽出道路交通路況，再通過信息熵決策樹理論進行數(shù)據(jù)特征篩選融合，進一步提高數(shù)據(jù)的質量。在達到降維的目的同時，也降低模型訓練過程的時間和空間復雜度，對構建高精度和穩(wěn)定的交通流預測模型具有重要的作用。第二部分核心是交通流預測模型的構建，根據(jù)采集的區(qū)域多特征的交通數(shù)據(jù)，提出了一種優(yōu)化的隱馬爾可夫模型的交通流預測模型，針對原始的隱馬爾可夫模型的狀態(tài)數(shù)難以選擇問題，導致了構建的隱馬爾可夫交通模型結構過于復雜，出現(xiàn)了過擬合現(xiàn)象。針對此模型的缺陷，依據(jù)貝葉斯信息量準則（Bayesian Information Criterion，BIC）和赤池信息量準則（Akaike Information Criterion，AIC）在模型復雜度和模型對數(shù)據(jù)刻畫能力的之間（即最大似然函數(shù)）尋求最佳平衡點的良好性能，在隱馬爾可夫模型的損失函數(shù)中加入上述兩準則作為懲罰項。經(jīng)過鮑姆韋爾奇算法訓練的實驗結果比較，優(yōu)化后的隱馬爾可夫交通流預測模型泛化能力更強。本文的研究框架如下圖 1.3 所示。
【相似文獻】

相關期刊論文 前10條

1 何媛媛;;智能交通系統(tǒng)域間交通流預測關鍵技術研究[J];南方農(nóng)機;2020年01期

2 李連強;高軍偉;;基于資源分配網(wǎng)絡算法的交通流預測研究[J];工業(yè)控制計算機;2017年10期

3 方琴;李永前;;K近鄰短期交通流預測[J];重慶交通大學學報(自然科學版);2012年04期

4 劉星委;劉建瑋;肖峰;;基于深度學習的交通流預測方法可行性研究[J];河北交通教育;2018年02期

5 鄒煜星;鄧敏;;基于長時卷積深度網(wǎng)絡的交通流預測方法[J];測繪與空間地理信息;2019年07期

6 王進;史其信;;基于非線性理論的短期交通流預測研究[J];西安建筑科技大學學報(自然科學版);2006年02期

7 向紅艷;朱順應;王紅;嚴新平;;短期交通流預測效果的模糊綜合評判[J];武漢理工大學學報(交通科學與工程版);2005年06期

8 陳相東;張勇;;基于局部多項式擬合的交通流預測[J];計算機工程與應用;2012年19期

9 馬君;劉小冬;孟穎;;基于神經(jīng)網(wǎng)絡的城市交通流預測研究[J];電子學報;2009年05期

10 李一龍;;基于動態(tài)規(guī)劃的城市交通流預測與分配[J];交通運輸系統(tǒng)工程與信息;2009年03期

相關博士學位論文 前10條

1 黎光宇;高速公路交通流預測和仿真及其應用[D];天津大學;2017年

2 吳剛;高速公路交通流預測及事故預警方法研究[D];天津大學;2014年

3 于志恒;基于智能理論的交通流量組合預測模型研究[D];東北師范大學;2016年

4 楊廣全;電梯交通流分析及電梯群控策略研究[D];上海交通大學;2007年

5 楊飛;基于回聲狀態(tài)網(wǎng)絡的交通流預測模型及其相關研究[D];北京郵電大學;2012年

6 王凡;基于支持向量機的交通流預測方法研究[D];大連理工大學;2010年

7 劉勇;基于熱力學熵和混沌理論的城市道路交通系統(tǒng)的研究[D];長安大學;2009年

8 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學;2016年

9 周堂;物聯(lián)網(wǎng)背景下城市交通擁堵事前疏導研究[D];湖南大學;2014年

10 夏大文;基于MapReduce的移動軌跡大數(shù)據(jù)挖掘方法與應用研究[D];西南大學;2016年

相關碩士學位論文 前10條

1 伍宏偉;基于隱馬爾可夫模型的交通流預測研究[D];蘭州交通大學;2019年

2 李文婧;面向多時段控制的長時交通流預測及分割點優(yōu)化方法[D];浙江大學;2019年

3 王碩;基于特性分析的短時交通流預測方法研究[D];北京交通大學;2019年

4 薛亞鑫;基于LSTM深度神經(jīng)網(wǎng)絡的短期交通流預測[D];北京交通大學;2019年

5 趙蕾;基于卷積神經(jīng)網(wǎng)絡的快速路交通流預測研究[D];北京交通大學;2019年

6 林錦香;基于深度學習的交通流預測[D];華南理工大學;2019年

7 陳健;高速路網(wǎng)交通流預測分析方法的研究與實現(xiàn)[D];電子科技大學;2019年

8 李德志;基于改進IndRNN的高速公路交通流預測算法研究[D];南京郵電大學;2019年

9 張斌;基于運動模式挖掘的路網(wǎng)移動對象交通流預測[D];南京郵電大學;2019年

10 任藝柯;基于改進的LSTM網(wǎng)絡的交通流預測[D];大連理工大學;2019年

本文編號：2869268