隨著汽車逐漸成為主要的交通運(yùn)輸工具,城市交通擁堵問題日益嚴(yán)重。為了改善交通狀況,智能交通系統(tǒng)(ITS)的作用越來越受到重視。在此系統(tǒng)中,準(zhǔn)確實(shí)時(shí)的短時(shí)交通流預(yù)測能夠作為車流引導(dǎo)的重要依據(jù)。因此,尋找合適的方法預(yù)測短時(shí)間后的交通流變化情況成為了研究熱點(diǎn)。多年來許多方法都被嘗試應(yīng)用于交通流預(yù)測領(lǐng)域,其中大部分的方法都是基于單一的模型,并且只根據(jù)某一觀測結(jié)點(diǎn)的歷史交通流觀測值,預(yù)測該觀測結(jié)點(diǎn)下一時(shí)刻的交通流變化。然而,交通流是一種具有非線性、隨機(jī)性、空間關(guān)聯(lián)性的數(shù)據(jù),包含多種組成成分,這使得單一模型和忽視時(shí)空信息的方法預(yù)測效果存在瓶頸。針對(duì)這兩個(gè)問題,本文提出了基于多模型長短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory Recurrent Neural Networks,LSTM)和基于時(shí)空關(guān)聯(lián)長短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)的兩種短時(shí)交通流預(yù)測方法。多模型LSTM的基本思想是對(duì)交通流數(shù)據(jù)做適當(dāng)?shù)姆诸?再根據(jù)不同類別數(shù)據(jù)建立對(duì)應(yīng)的預(yù)測子模型。通過對(duì)每個(gè)交通流量數(shù)據(jù)樣本提取一個(gè)特征,用于進(jìn)行K-Means聚類,使數(shù)據(jù)樣本自適應(yīng)的分為具有不同變化趨勢的兩類,再針對(duì)這兩類數(shù)據(jù)樣本訓(xùn)練出對(duì)應(yīng)的LSTM預(yù)測子模型。同時(shí),還需要用這兩類數(shù)據(jù)訓(xùn)練出一個(gè)K近鄰算法構(gòu)成的分類器,以滿足實(shí)際應(yīng)用場景中對(duì)交通流進(jìn)行實(shí)時(shí)在線預(yù)測的需求。時(shí)空關(guān)聯(lián)LSTM則是利用了待預(yù)測結(jié)點(diǎn)與其上游和下游若干觀測結(jié)點(diǎn)的空間關(guān)聯(lián)關(guān)系,將所有結(jié)點(diǎn)觀測到的交通流量數(shù)據(jù)作為輸入樣本。在每一時(shí)刻都需要求待預(yù)測結(jié)點(diǎn)的樣本與其他觀測結(jié)點(diǎn)樣本的相關(guān)系數(shù),并以此作為LSTM輸入層的權(quán)重系數(shù)。這一模型訓(xùn)練方式不僅能夠?qū)崟r(shí)自適應(yīng)的調(diào)整不同觀測結(jié)點(diǎn)對(duì)于待預(yù)測結(jié)點(diǎn)的影響權(quán)重,還能使我們觀察出交通路網(wǎng)中哪些結(jié)點(diǎn)更具重要性。本文以美國加州道路性能評(píng)估系統(tǒng)采集的交通流量作為實(shí)驗(yàn)數(shù)據(jù),以平均絕對(duì)百分比誤差和均方根誤差作為評(píng)價(jià)標(biāo)準(zhǔn),對(duì)比多種主流預(yù)測模型與本文所提出兩種模型的預(yù)測準(zhǔn)確率。實(shí)驗(yàn)表明,本文的兩種預(yù)測模型都具有更好的預(yù)測效果,并且將兩種模型進(jìn)行融合還能進(jìn)一步提升預(yù)測準(zhǔn)確率。
【學(xué)位單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：U491.14;TP183
【部分圖文】：

第一章 緒論第一章 緒論 研究背景隨著世界經(jīng)濟(jì)的發(fā)展，汽車已不再是人民群眾消費(fèi)不起的奢侈品，而是逐漸成的交通運(yùn)輸工具、出行代步工具之一。在我國，這種現(xiàn)象尤為明顯。自 2010我國的汽車保有量便一直處于快速增長階段，于 2017 年突破 2 億輛，占到了保有量的 20%（圖 1-1）[1]。截至 2018 年底，全國已有 61 個(gè)城市汽車保有量輛，小型載客汽車是保有量增長的主力[2]。可見，汽車已經(jīng)成為人民在上班、常生活中越來越不可或缺的交通工具。

切分為許多個(gè)如11,,,tt t N x x x形式的樣本。在訓(xùn)練階段t 1x 就是對(duì)應(yīng)樣本的標(biāo)簽，而在測試階段 就是模型的預(yù)測目標(biāo)。第三步就是關(guān)鍵的預(yù)測模型建立，通過擬合交通流數(shù)據(jù)的變化規(guī)律，針對(duì)交通流變化的某些特性，運(yùn)用適當(dāng)?shù)姆椒ㄟM(jìn)行建模。為了能夠在實(shí)際應(yīng)用場景中使用，短時(shí)交通流預(yù)測模型一般需要具備以下特性[20]：1）精確性，預(yù)測結(jié)果準(zhǔn)確對(duì)每個(gè)領(lǐng)域來說自然都是首要的要求，這樣才能作為引導(dǎo)交通的依據(jù)。2）實(shí)時(shí)性，也稱為在線預(yù)測，由于短時(shí)交通流的預(yù)測結(jié)果是實(shí)時(shí)應(yīng)用于智能交通系統(tǒng)中控制交通狀況的，所以模型必須能利用實(shí)時(shí)觀測到的交通流數(shù)據(jù)進(jìn)行預(yù)測，本文提出的方法對(duì)這一點(diǎn)有專門的解決方案。3）可移植性，也可以說是模型的一種泛化能力，就是模型訓(xùn)練完成后，換一個(gè)路段的交通流數(shù)據(jù)也能擁有較好的預(yù)測效果，這對(duì)于擁有無數(shù)觀測結(jié)點(diǎn)復(fù)雜龐大的道路交通網(wǎng)絡(luò)來說也十分重要。最后一步自然是利用訓(xùn)練完成的模型，對(duì)交通流進(jìn)行實(shí)時(shí)在線的預(yù)測，得到以某一特征參數(shù)表示的交通流預(yù)測值。

華南理工大學(xué)碩士學(xué)位論文在 2015 年 1 月 1 日到 2015 年 12 月 30 日全年共計(jì) 52 周的歷史交通流量數(shù)據(jù)，其數(shù)據(jù)統(tǒng)計(jì)的時(shí)間間隔為 5 分鐘。因?yàn)榻煌髁磕軌蜉^直觀的反應(yīng)道路交通的變化情況，所以本文選擇了這一特征參數(shù)。對(duì)于每個(gè)觀測結(jié)點(diǎn)，都會(huì)有多個(gè)車道的交通流量統(tǒng)計(jì)信息，在本文中只取其匯總后的流量數(shù)據(jù)。同時(shí)我們還從該系統(tǒng)上獲取了這 31 個(gè)觀測結(jié)點(diǎn)沿線的高速路交匯和上下高速路口分布等信息，運(yùn)用到了本文對(duì)時(shí)空信息融合的預(yù)測方法研究當(dāng)中。
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 梁軻;譚建軍;李英遠(yuǎn);;一種基于MapReduce的短時(shí)交通流預(yù)測方法[J];計(jì)算機(jī)工程;2015年01期

本文編號(hào)：2887489