發(fā)布時間：2020-12-23 19:27

　　隨著交通需求逐漸加大,道路交通擁堵問題也愈發(fā)嚴(yán)重。交通狀態(tài)預(yù)測是準(zhǔn)確進行交通管理與控制的重要依據(jù)之一,基于此,本文研究了一種基于融合SNN模型深度學(xué)習(xí)算法的交通狀態(tài)預(yù)測方法,并建立一種考慮大型車因素的城市路網(wǎng)交通狀態(tài)預(yù)測模型。本文的主要研究內(nèi)容和創(chuàng)新之處有:（1）交通狀態(tài)分析和交通數(shù)據(jù)預(yù)處理。確定以速度參量作為交通擁擠狀態(tài)的劃分標(biāo)準(zhǔn),使用K-Means聚類算法作為交通狀態(tài)劃分方法,針對交通數(shù)據(jù)特征,設(shè)計了有限沖擊響應(yīng)（Finite Impulse Response,FIR）濾波器。（2）交通流速度預(yù)測算法設(shè)計。搭建了深度門限遞歸（Gated Recurrent Unit,GRU）神經(jīng)網(wǎng)絡(luò),針對深度網(wǎng)絡(luò)隱藏層全連接機制的不足,將脈沖神經(jīng)網(wǎng)絡(luò)（Spiking neural network,SNN）中積分點火神經(jīng)元的信息傳遞機制融合到GRU神經(jīng)網(wǎng)絡(luò)的隱藏層,重新建立了神經(jīng)元間的信息傳遞機制;利用美國聯(lián)邦公路局的開放數(shù)據(jù)進行模型的預(yù)測效果評價,結(jié)果表明:Spiking-GRU神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測精度和收斂速度。（3）考慮大型車因素的城市路網(wǎng)道路交通狀態(tài)預(yù)測。以行駛流路段作為研究對象,通過灰色... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

部分?jǐn)?shù)據(jù)示意圖

（ａ）流量預(yù)處理前時序圖?（ｂ）流量預(yù)處理后時序圖??圖２－８時間占有率預(yù)處理前后時序圖??２．４本章總結(jié)??首先說明了交通狀態(tài)研究的范圍為路網(wǎng)路段微觀的交通狀態(tài)；然后分析了路??段中交通流參數(shù)的特點和相互聯(lián)系；其次，將速度作為交通狀態(tài)的評價參數(shù)，使??用Ｋ－Ｍｅａｎｓ聚類算法將路段速度根據(jù)不同的數(shù)據(jù)特點自適性的進行交通狀態(tài)劃??分；最后介紹了交通數(shù)據(jù)的預(yù)處理方法，包括異常值處理、缺失值處理和歸一化??處理，通過ＦＩＲ濾波器的設(shè)計，重點對數(shù)據(jù)的平滑處理進行了研究。??１７??

（ａ）流量預(yù)處理前時序圖?（ｂ）流量預(yù)處理后時序圖??圖２－８時間占有率預(yù)處理前后時序圖??２．４本章總結(jié)??首先說明了交通狀態(tài)研究的范圍為路網(wǎng)路段微觀的交通狀態(tài)；然后分析了路??段中交通流參數(shù)的特點和相互聯(lián)系；其次，將速度作為交通狀態(tài)的評價參數(shù)，使??用Ｋ－Ｍｅａｎｓ聚類算法將路段速度根據(jù)不同的數(shù)據(jù)特點自適性的進行交通狀態(tài)劃??分；最后介紹了交通數(shù)據(jù)的預(yù)處理方法，包括異常值處理、缺失值處理和歸一化??處理，通過ＦＩＲ濾波器的設(shè)計，重點對數(shù)據(jù)的平滑處理進行了研究。??１７??

【參考文獻】：
期刊論文
[1]基于GRU-NN模型的短期負荷預(yù)測方法[J]. 王增平,趙兵,紀(jì)維佳,高欣,李曉兵.  電力系統(tǒng)自動化. 2019(05)
[2]考慮交通擁堵效應(yīng)的大城市私家車出行成本分析[J]. 顧濤,劉澤,劉躍軍,周凌.  山東科學(xué). 2019(01)
[3]基于箱線圖法的PSO-SVM在小麥種子分類中的應(yīng)用研究[J]. 代斌.  河西學(xué)院學(xué)報. 2018(05)
[4]考慮大型車因素的支持向量機短時交通狀態(tài)預(yù)測模型研究[J]. 孫靜怡,牟若瑾,劉擁華.  公路交通科技. 2018(10)
[5]FIR數(shù)字濾波器零極點靈敏度分析及優(yōu)化實現(xiàn)[J]. 莊陵,馬靖怡,王光宇,關(guān)鵑.  通信學(xué)報. 2018(09)
[6]基于小波包與長短時記憶融合的鐵路旅客流量預(yù)測模型[J]. 成強.  計算機系統(tǒng)應(yīng)用. 2018(07)
[7]基于模糊C均值聚類和隨機森林的短時交通狀態(tài)預(yù)測方法[J]. 陳忠輝,凌獻堯,馮心欣,鄭海峰,徐藝文.  電子與信息學(xué)報. 2018(08)
[8]基于深度學(xué)習(xí)的短時交通流預(yù)測研究[J]. 王祥雪,許倫輝.  交通運輸系統(tǒng)工程與信息. 2018(01)
[9]城區(qū)機動車尾氣排放量與霧霾關(guān)系研究[J]. 閆伶.  環(huán)境科學(xué)與管理. 2017(01)
[10]北京市典型道路交通運行狀態(tài)分析及預(yù)測研究[J]. 王明哲,郭敏.  交通運輸系統(tǒng)工程與信息. 2013(02)

博士論文
[1]城市路網(wǎng)交通流分析預(yù)測及事故預(yù)警方法研究[D]. 楊艷芳.北京交通大學(xué) 2017
[2]城市道路路網(wǎng)交通運行狀態(tài)分析方法及應(yīng)用研究[D]. 蘇飛.北京交通大學(xué) 2017
[3]城市道路交通擁堵傳播規(guī)律及消散控制策略研究[D]. 龍建成.北京交通大學(xué) 2009

碩士論文
[1]基于LSTM深度網(wǎng)絡(luò)的城市道路短時交通狀態(tài)預(yù)測模型研究[D]. 陳韞.福建工程學(xué)院 2018
[2]基于GRU神經(jīng)網(wǎng)絡(luò)結(jié)合CRF的中文分詞研究分析[D]. 慕容偉波.華南理工大學(xué) 2018
[3]基于機器學(xué)習(xí)的交通狀態(tài)短時預(yù)測方法研究[D]. 張博.吉林大學(xué) 2018
[4]基于聚類的城市交通路網(wǎng)分區(qū)和交通狀態(tài)判別[D]. 王曉軒.北京交通大學(xué) 2017
[5]基于GRU神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測研究[D]. 劉洋.成都理工大學(xué) 2017
[6]機動車怠速排放對社區(qū)大氣環(huán)境的影響研究[D]. 王璐婷.北京交通大學(xué) 2016
[7]城市路網(wǎng)狀態(tài)一致與邊界協(xié)作信號控制方法研究[D]. 滑亞飛.北方工業(yè)大學(xué) 2016
[8]城市主干道短時交通流預(yù)測研究[D]. 劉樂敏.北方工業(yè)大學(xué) 2013



本文編號：2934233