發(fā)布時(shí)間：2020-12-14 22:24

　　近年來(lái),隨著交通需求的不斷增加,出現(xiàn)了一系列交通問(wèn)題,尤其是交通擁堵問(wèn)題。為了有效地緩解這一問(wèn)題,智能交通系統(tǒng)(ITS)被廣泛應(yīng)用于動(dòng)態(tài)交通管理中,預(yù)測(cè)交通流量的問(wèn)題一直是智能交通系統(tǒng)的研究重點(diǎn)。如果能夠預(yù)測(cè)一個(gè)地區(qū)的車輛流動(dòng)情況,那么可以通過(guò)利用應(yīng)急措施來(lái)預(yù)防和管理。同時(shí),交通流預(yù)測(cè)問(wèn)題又非常具有挑戰(zhàn)性,因?yàn)樗艿皆S多復(fù)雜因素的影響,如區(qū)域間交通,事件和天氣。因此,如何融合各領(lǐng)域數(shù)據(jù)資源,完善交通資源配置,提高道路交通效率,保證交通質(zhì)量,保障交通系統(tǒng)安全成為亟待解決的問(wèn)題。在此背景下,本文針對(duì)交通時(shí)空數(shù)據(jù)特點(diǎn),提出了一種預(yù)測(cè)交通流量的方法,是基于深度學(xué)習(xí)來(lái)預(yù)測(cè)。首先,全面總結(jié)現(xiàn)有的交通流量預(yù)測(cè)方法并進(jìn)行比較;其次,對(duì)交通流預(yù)測(cè)中涉及到的基本定義、參數(shù)進(jìn)行詳細(xì)闡述;再次,詳細(xì)介紹了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)理論,為后續(xù)建立模型奠定理論基礎(chǔ);然后,采用深度學(xué)習(xí)中的CNN、LSTM作為基本網(wǎng)絡(luò)結(jié)構(gòu),并對(duì)其進(jìn)行組合得到新模型來(lái)對(duì)交通流進(jìn)行預(yù)測(cè);最后,利用北京市2015年的出租車出行數(shù)據(jù)來(lái)對(duì)模型訓(xùn)練、測(cè)試。通過(guò)與其他方法進(jìn)行對(duì)比可說(shuō)明,基于CNN組合LSTM的交通流預(yù)測(cè)模型的均方根誤差(RMSE)更低... 

【文章來(lái)源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀綜述
        1.2.1 交通流要素及其特征表示
        1.2.2 交通流預(yù)測(cè)模型綜述
    1.3 研究的目的與意義
    1.4 本章小結(jié)
2 交通流數(shù)據(jù)概述及處理
    2.1 交通流數(shù)據(jù)基本參數(shù)
    2.2 交通流數(shù)據(jù)基本特性
    2.3 交通流數(shù)據(jù)預(yù)處理
        2.3.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
        2.3.2 影響交通流預(yù)測(cè)的外部信息預(yù)處理
    2.4 本章小結(jié)
3 機(jī)器學(xué)習(xí)相關(guān)理論研究
    3.1 機(jī)器學(xué)習(xí)理論
        3.1.1 機(jī)器學(xué)習(xí)概述
        3.1.2 機(jī)器學(xué)習(xí)的技術(shù)分類
    3.2 深度學(xué)習(xí)理論
        3.2.1 深度學(xué)習(xí)概述
        3.2.2 深度學(xué)習(xí)基礎(chǔ)
    3.3 本章小結(jié)
4 基于CNN+LSTM的神經(jīng)網(wǎng)絡(luò)模型
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        4.1.2 卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)
        4.1.3 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    4.2 RNN神經(jīng)網(wǎng)絡(luò)
        4.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        4.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        4.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練
    4.3 LSTM網(wǎng)絡(luò)模型
        4.3.1 LSTM網(wǎng)絡(luò)模型簡(jiǎn)介及其結(jié)構(gòu)
        4.3.2 LSTM模型的訓(xùn)練
    4.4 CNN+LSTM模型建立
        4.4.1 基本框架
        4.4.2 模型損失函數(shù)及評(píng)價(jià)指標(biāo)
    4.5 模型實(shí)現(xiàn)技術(shù)語(yǔ)言簡(jiǎn)介
    4.6 本章小結(jié)
5 實(shí)證分析
    5.1 研究對(duì)象介紹
    5.2 實(shí)驗(yàn)數(shù)據(jù)集選取
    5.3 模型參數(shù)確定
    5.4 實(shí)驗(yàn)環(huán)境介紹
    5.5 基準(zhǔn)對(duì)比模型及結(jié)果分析
    5.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[2]智慧城市視頻大數(shù)據(jù)的趨勢(shì)和挑戰(zhàn)[J]. 田永鴻,黃鐵軍,高文.  中國(guó)鐵路. 2016(01)
[3]基于組合預(yù)測(cè)模型的短時(shí)交通流預(yù)測(cè)[J]. 李穎宏,劉樂(lè)敏,王玉全.  交通運(yùn)輸系統(tǒng)工程與信息. 2013(02)



本文編號(hào)：2917112