在機(jī)動(dòng)車數(shù)量不斷突破新高的大背景下,交通擁堵已成為制約社會(huì)發(fā)展的重大問題。如果能準(zhǔn)確預(yù)測(cè)路網(wǎng)中各路口的交通流量,相關(guān)部門則可以制定更有針對(duì)性的疏導(dǎo)措施,從而全方位提升路網(wǎng)利用率,緩解交通擁堵問題。近些年,數(shù)據(jù)挖掘技術(shù)取得了重大進(jìn)展,該技術(shù)與交通流量預(yù)測(cè)場(chǎng)景的結(jié)合令人憧憬。本文基于數(shù)據(jù)挖掘技術(shù),對(duì)交通流量進(jìn)行分析和預(yù)測(cè)。第一,以聚類技術(shù)為切入點(diǎn),提出交通流量模式挖掘方法。綜合考慮輪廓系數(shù)、Calinski-Harabaz 指數(shù)和 Davies-Bouldin 指數(shù),利用 K-Means 和Agglomerative Clustering算法確定交通流量模式個(gè)數(shù),將交通流量模式分為單峰和雙峰兩種類型,驗(yàn)證得出節(jié)假日與工作日分別對(duì)應(yīng)不同的流量模式,并根據(jù)模式對(duì)數(shù)據(jù)集劃分,再進(jìn)行預(yù)測(cè)。第二,對(duì)應(yīng)不同的原始數(shù)據(jù),分別提出基于深度學(xué)習(xí)的流量預(yù)測(cè)模型。其一,在僅提供單監(jiān)測(cè)站信息時(shí),傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)無法處理交通信息拼接后的無時(shí)序性。為了解決這一問題,本文提出Combined-Update Gate Recurrent Neural Network（CUGRNN）模型,利用多個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)提取交通信息的... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３－２輪廓系數(shù)變化曲線??－－

２３４５６７８９??Ｋ?Ｖａｌｕｅ??圖３－２輪廓系數(shù)變化曲線??圖?３－２?給出了?Ｋ?從?２?到?９?變化時(shí)，Ｋ－Ｍｅａｎｓ?和?ＡｇｇｌｏｍｅｒａｔｉｖｅＣｌｕｓｔｅｒｉｎｇ?算法??下，交通流量平均輪廓系數(shù)的變化曲線。兩條曲線總體單調(diào)遞減，Ｋ�。矠檩喞�??系數(shù)判定的最優(yōu)值。圖３－３描繪了?Ｋ從２到５變化時(shí)，Ｋ－Ｍｅａｎｓ算法下每個(gè)樣本??具體的輪廓系數(shù)值，橫坐標(biāo)表示每條樣本的輪廓系數(shù)值，縱坐標(biāo)表示Ｋ個(gè)簇的??不同樣本，紅色虛線所對(duì)應(yīng)的橫坐標(biāo)代表平均輪廓系數(shù)，與圖３－２?—一對(duì)應(yīng)。同??樣的，隨著Ｋ增大，盡管有些樣本點(diǎn)劃分更加準(zhǔn)確，但輪廓系數(shù)整體仍在減小。??２５??

Ｋ?Ｖａｌｕｅ??圖３－４?Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｚ指數(shù)變化曲線??圖３－４畫出了?Ｃａｌｉｎｓｋｉ－Ｈａｍｂａｚ指數(shù)隨Ｋ值變化的曲線，兩種算法下曲線嚴(yán)??格單調(diào)遞減，Ｋ�。矠樽顑�(yōu)解，期望劃分兩種交通流量模式。??３．?Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?指數(shù)??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)同樣定義在聚類結(jié)果層面。思路是首先度量簇間相似度，??接著確定每個(gè)簇與其他簇劃分最模糊的情況，最終只考慮這些劃分最差的情況，??計(jì)算Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)。簇ａ和族６的相似度５ａｂ定義如下：??ｄａ?＋?ｄｈ??ｓａｂ＝十（３－１３）??ｄａｂ??其中ｄａ表示族ａ中所有樣本與簇ａ中心點(diǎn)的平均距離；ｄａ＆代表簇ａ和簇中心??點(diǎn)之間的距離。Ｓａｂ越大，說明簇ａ和簇６越相近，簇劃分可能出現(xiàn)問題；值越小，??兩個(gè)簇區(qū)別越大，劃分正確的可能性越大。在此基礎(chǔ)上，Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)定??義如下：??Ｋ??ＤＢ?＝－＾ｍａｘ（５Ｑｂ）ａ＾ｂ?（３－１４）??ａ＝ｌ??數(shù)值越小，整體劃分越好。如圖３－５所示，兩條Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)曲線大??體單調(diào)遞增，Ｋ�。矠樽顑�(yōu)。??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?Ｃｕｒｖｅ????Ｋ－Ｍｅａｎｓ??Ａｇｇｌｏｍｅｒａｔｉｖｅ?Ｃｌｕｓｔｅｒｉｎｇ?今??２．４．??５?２．２?？?廣???１?２－０＇?／??Ｓ１８＇?－?Ａ??１２?－Ｉ＿?

【參考文獻(xiàn)】：
期刊論文
[1]大城市緩解交通擁堵對(duì)策研究——以濟(jì)南市為例[J]. 劉達(dá)光.  科技經(jīng)濟(jì)導(dǎo)刊. 2018(12)
[2]城市快速路交通流特性分析[J]. 楊驍路,谷遠(yuǎn)利,邢珊珊,莊廣新.  山東科學(xué). 2016(03)

碩士論文
[1]基于深度學(xué)習(xí)的短時(shí)交通流量預(yù)測(cè)研究[D]. 喬松林.青島大學(xué) 2018
[2]短時(shí)交通流預(yù)測(cè)問題的研究[D]. 于東海.山東大學(xué) 2017
[3]面向短時(shí)交通流量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)算法研究[D]. 林海濤.南京郵電大學(xué) 2016
[4]基于聚類分析的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法研究[D]. 張瑋瑋.重慶郵電大學(xué) 2016
[5]基于聚類WNN-ARIMA的短時(shí)交通流預(yù)測(cè)研究與應(yīng)用[D]. 郝曉濤.大連理工大學(xué) 2016



本文編號(hào)：2913836