社會(huì)經(jīng)濟(jì)的迅速發(fā)展使得汽車(chē)保有量急速增長(zhǎng),道路供需不平衡的矛盾日益尖銳,導(dǎo)致各城市交通擁堵現(xiàn)象經(jīng)常出現(xiàn)。相比于單純依靠擴(kuò)建道路基礎(chǔ)設(shè)施來(lái)緩解交通擁堵,通過(guò)信息技術(shù),建立可持續(xù)的智能交通系統(tǒng)（ITS）,能夠有效的輔助交通疏導(dǎo)。同時(shí)隨著數(shù)據(jù)采集技術(shù)和手段的進(jìn)步,積累了大量的交通數(shù)據(jù),但存在數(shù)據(jù)缺失或損壞的問(wèn)題。準(zhǔn)確、及時(shí)的交通流信息是ITS的基礎(chǔ),對(duì)交通擁堵的管理和控制有重要作用。因此,為更好地使用ITS提供數(shù)據(jù)支持,研究交通流缺失數(shù)據(jù)填補(bǔ)和短時(shí)交通流預(yù)測(cè)的方法很有必要。本文研究目的是為了提高交通流缺失數(shù)據(jù)填補(bǔ)的準(zhǔn)確度和提高短時(shí)交通流預(yù)測(cè)的精度。考慮到交通流數(shù)據(jù)的非線性和復(fù)雜性,本文采用機(jī)器學(xué)習(xí)的方法,分析處理交通流數(shù)據(jù),提出了基于領(lǐng)域-降噪堆疊自編碼器（NN-DSAE）模型用于交通流缺失數(shù)據(jù)填補(bǔ),提出了基于長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM）和決策樹(shù)模型用于短時(shí)交通流預(yù)測(cè)。提出的交通流缺失數(shù)據(jù)填補(bǔ)模型中,首先介紹了自編碼器、降噪自編碼器、降噪堆疊自編碼器和鄰域的原理,在此基礎(chǔ)上提出了基于NN-DSAE的填補(bǔ)方法。該方法首先對(duì)鄰域給定范圍進(jìn)行改進(jìn),然后根據(jù)鄰域知識(shí)找尋對(duì)交通流缺失數(shù)據(jù)填補(bǔ)相關(guān)... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１論文研宄框架??Ｆｉｇｕｒｅ?１－１?Ｔｈｅｓｉｓ?ｒｅｓｅａｒｃｈ?ｆｒａｍｅｗｏｒｋ??５??

圖３－１?ＰＥＭＳ信息圖??Ｆｉｇｕｒｅ?３－１?ＰＥＭＳ?ｉｎｆｏｒｍａｔｉｏｎ?ｍａｐ??獲取的交通流數(shù)據(jù)格式如圖３－２所示。??????????Ｄａｔａ?Ｑｕａｌｉｔｙ???５?Ｍｉｎｕｔｅｓ?＿＿?Ｌａｎｅ?１?Ｆｌｏｗ?（Ｖｅｈ＾５?Ｍｉｎｕｔｅｓ?ｊ｜Ｌａｎ＊?２?Ｆｌｏｗ?（Ｖ？ｈ／５?Ｍｉｎｕｔｅｓ）?Ｆｌｏｗ?（Ｖｅｈ／５?Ｍｉｎｕｔｅｓ｝?？?ｔａｎ？?Ｐ〇ｉｎｔｓＪ〇Ａｊ?Ｏｂｓｅｒｖｅｄ??０８／６ｘ７２０１６００：００?…＇＂１０＾?—＂?—?—Ｔｏ?＂ｌ２．０?２｜?ｌ６〇７６??〇８／〇ｖ／２〇ｉ６５〇ｒｑ５??＞２．？?ｓ．ｏ?Ｊ８?０?Ｗ?ｉｏｏ．ｏ??〇８／ｏｉ／２〇ｉ６￣Ｑ〇：ｒ〇?—??１．０｝?＇??Ｈ?￣?８Ｔｄ?２１?＾Ｖ〇５：〇??０８／０＾２０１６?００：?１５?二?６．０?３．０｝?９．０?＂３一￣．一？１００．０??０８／０１／２０１６?００：２０??—?＾．０＼??２

小波分析分解??３．２．３小波重構(gòu)??小波重構(gòu)即正交分解的逆變換，ｍａｌｌａｔ快速重構(gòu)算法的過(guò)程如圖３－６所示。??Ｃｎ?—？?Ｃｎ．ｉ?…?Ｃ２?—？?Ｃｉ?—？?Ｃ〇??ｄｎ?＼?ｄｎ．ｉ?？？？?ｄ２?＼?ｄｉ?’??圖３－６?Ｍａｌｌａｔ重構(gòu)算法??Ｆｉｇｕｒｅ３－６?Ｍａｌｌａｔ?ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??進(jìn)而小波重構(gòu)函數(shù)可由公式（３－１０）表示。??ＣｊＭ?￣＾ｊＣｊ＋＼，ｎＫ－２ｎ?＋ｙ＾ｊ＾ｊ＋＼，ｎＳｋ－２ｎ?（３－ｌ〇）??ｎ?ｎ??３．３小波函數(shù)的選取??３．３．１小波基函數(shù)??不同于傅里葉分析中的正弦波，小波分析中的小波函數(shù)不是唯一的，小波函??數(shù)只要滿足小波條件即可，在使用時(shí)需要根據(jù)實(shí)際問(wèn)題來(lái)選取合適的小波基函數(shù)，??下面介紹幾種常見(jiàn)的用于交通領(lǐng)域的小波函數(shù)［４５］。??（１）?Ｈａａｒ?小波??Ｈａａｒ是使用最早的小波，是階躍函數(shù)，如圖３－７所示，可由公式（３－１１）表示。??ｌ?０＜ｘ＜＼／２??＇Ｆ，，?＝＜?－１?１／２＜ｘ＜１?（３－１１）??０其它??？－Ｓ｜?????????????９?？??？ａ?ｓ?？??＾０?ｔｉ??ｔｉ?ｔ??

【參考文獻(xiàn)】：
期刊論文
[1]中值濾波結(jié)合小波變換在光譜去噪中的應(yīng)用[J]. 龔夢(mèng)龍.  科技與創(chuàng)新. 2018(12)
[2]交通流缺失數(shù)據(jù)處理方法比較分析[J]. 孟鴻程,陳淑燕.  交通信息與安全. 2018(02)
[3]交通流缺失數(shù)據(jù)的修補(bǔ)技術(shù)探究[J]. 袁媛,邵春福,林秋映,何兆成,譚美琳.  中國(guó)公共安全(學(xué)術(shù)版). 2016(04)
[4]基于決策樹(shù)的煤化工污染物定量化溯源研究[J]. 郟奎奎,劉海濱.  環(huán)境工程. 2016(S1)
[5]一種基于小波變換的LTE系統(tǒng)下行鏈路信道估計(jì)算法[J]. 馬項(xiàng)楠,余立建.  西南科技大學(xué)學(xué)報(bào). 2011(04)
[6]機(jī)器學(xué)習(xí)方法的應(yīng)用研究[J]. 安增波,張彥.  長(zhǎng)治學(xué)院學(xué)報(bào). 2007(02)

博士論文
[1]基于機(jī)器學(xué)習(xí)的交通狀態(tài)判別與預(yù)測(cè)方法研究[D]. 商強(qiáng).吉林大學(xué) 2017
[2]深度學(xué)習(xí)模型的高效訓(xùn)練算法研究[D]. 陳凱.中國(guó)科學(xué)技術(shù)大學(xué) 2016

碩士論文
[1]基于極限隨機(jī)樹(shù)集成的短時(shí)交通流預(yù)測(cè)模型研究[D]. 龍艷芳.湖南大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別技術(shù)研究[D]. 霍祥湖.電子科技大學(xué) 2017
[3]基于小波變換的交通流短時(shí)預(yù)測(cè)模型研究[D]. 曹征.北京交通大學(xué) 2010



本文編號(hào)：2933461