實(shí)時(shí)、準(zhǔn)確的短期交通流預(yù)測(cè)是交通控制與交通誘導(dǎo)的前提,對(duì)交通擁堵的緩解、社會(huì)經(jīng)濟(jì)的進(jìn)步有著重要的意義。深度學(xué)習(xí)的出現(xiàn)為交通流預(yù)測(cè)提供了新的思路,本文采用深度信念網(wǎng)絡(luò)（deepbeliefnetwork,DBN）與棧式自動(dòng)編碼器（stacked autoencoder,SAE）兩種深度網(wǎng)絡(luò)分別構(gòu)建交通流預(yù)測(cè)模型,通過(guò)無(wú)監(jiān)督學(xué)習(xí)的方式提取交通流特征。然而,DBN與SAE預(yù)測(cè)模型的訓(xùn)練過(guò)程是非常耗時(shí)的,不能很好滿(mǎn)足交通流預(yù)測(cè)應(yīng)用系統(tǒng)的實(shí)時(shí)性要求。本文提出了一種基于數(shù)據(jù)并行方式的并行訓(xùn)練策略,分析了并行訓(xùn)練的可行性,推導(dǎo)了并行訓(xùn)練的公式,從而縮短了兩種交通流預(yù)測(cè)模型的訓(xùn)練時(shí)間,提高了預(yù)測(cè)應(yīng)用的實(shí)時(shí)性。具體研究?jī)?nèi)容如下:首先,選取單路段單個(gè)斷面的交通流量為研究對(duì)象,基于兩種深度學(xué)習(xí)網(wǎng)絡(luò)分別構(gòu)建交通流預(yù)測(cè)模型,并完成模型的訓(xùn)練與測(cè)試過(guò)程。將其測(cè)試結(jié)果與傳統(tǒng)模型的測(cè)試結(jié)果進(jìn)行對(duì)比。本文選用的傳統(tǒng)模型包括BP神經(jīng)網(wǎng)絡(luò)（backpropagation neural network,BP-NN）與支持向量機(jī)（support vectormachine,SVM）。仿真結(jié)果表明,兩種基于深度網(wǎng)絡(luò)的模型預(yù)測(cè)精度... 

【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)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－４?Ｔａｎｈ函數(shù)??Ｆｉｇｕｒｅ?２－４?Ｔａｎｈ?ｆｕｎｃｔｉｏｎ??

?５?１０??圖２－４?Ｔａｎｈ函數(shù)??Ｆｉｇｕｒｅ?２－４?Ｔａｎｈ?ｆｕｎｃｔｉｏｎ??相對(duì)于ｓｉｇｍｏｉｄ函數(shù)，ｔａｎｈ函數(shù)的輸出以０為中心，用其作為激活函數(shù)，收斂??速度也較快。但與ｓｉｇｍｏｉｄ函數(shù)相似，選用ｔａｎｈ函數(shù)作為激活函數(shù)，在誤差反傳過(guò)??程中依然會(huì)出現(xiàn)梯度消失的問(wèn)題。??（３）?ＲｅＬＵ?函數(shù)??１６??

常是在誤差函數(shù)表達(dá)式中入項(xiàng)，項(xiàng)Ｌ１正則化的處理方法是通過(guò)限定權(quán)值來(lái)得到一個(gè)稀疏合問(wèn)題。??化??Ｌ２?ｒｅｇｕｌａｒｉｚａｔｉｏｎ）與Ｌ１正則化相似，也是對(duì)誤差函數(shù)進(jìn)Ｅ?＝?Ｅ０＋＾－Ｙ，ｗ２Ｌ１正則化的原理相似，同樣是對(duì)權(quán)值進(jìn)行限定。使用Ｌ２過(guò)程中可以將權(quán)值的范數(shù)限制在一定范圍內(nèi)，使最終的ｉｇｈｔ?ｄｅｃａｙ）。權(quán)值衰減使模型復(fù)雜度降低，從而解決過(guò)ｔ??是針對(duì)模型來(lái)解決過(guò)擬合問(wèn)題的一種方法，采用直接減如圖２－６所示。Ｄｒｏｐｏｕｔ方法的具體過(guò)程是在每一次迭代層的一部分神經(jīng)元，丟棄比例視具體情況而定。這樣在，可以得到稀疏的網(wǎng)絡(luò)參數(shù)，從而減少參數(shù)的計(jì)算量。??


本文編號(hào)：2943065