在城市中有大量的出租車(chē),出租車(chē)流量預(yù)測(cè)問(wèn)題與人們的生活息息相關(guān),尤其是在一,二線城市,因出租車(chē)過(guò)多導(dǎo)致的道路擁堵嚴(yán)重影響著人們的工作生活,在上下班高峰期,該問(wèn)題尤其明顯,如果能準(zhǔn)確地預(yù)測(cè)城市某區(qū)域的出租車(chē)流量,那么對(duì)于交通的疏導(dǎo)及出租車(chē)的調(diào)配是有極大指導(dǎo)意義的。如今深度學(xué)習(xí)模型具有強(qiáng)大的表征能力,可以將深度學(xué)習(xí)算法應(yīng)用于交叉領(lǐng)域,如城市計(jì)算。本課題得益于公開(kāi)的出租車(chē)流量數(shù)據(jù),以此預(yù)測(cè)出未來(lái)某個(gè)時(shí)刻的出租車(chē)流量。在實(shí)際的預(yù)測(cè)場(chǎng)景中,模型還要考慮外部影響因素,如氣溫,降雨量,節(jié)假日,日期等,它們都會(huì)在一定程度上影響預(yù)測(cè)的準(zhǔn)確度。本課題的相關(guān)工作以及研究成果如下:1)城市出租車(chē)流量預(yù)測(cè)模型設(shè)計(jì):設(shè)計(jì)了兩種出租車(chē)流量預(yù)測(cè)模型,分別基于卷積神經(jīng)網(wǎng)絡(luò)CNN模塊與循環(huán)神經(jīng)網(wǎng)絡(luò)RNN模塊,圖卷積網(wǎng)絡(luò)GCN模塊與循環(huán)神經(jīng)網(wǎng)絡(luò)RNN模塊,其中RNN模塊使用BiLSTM模型,并都加入了時(shí)空注意力機(jī)制,考慮了外部影響因素。2)問(wèn)題定義及數(shù)據(jù)集構(gòu)建:分別定義了兩種模型下的出租車(chē)流量預(yù)測(cè)問(wèn)題。從美國(guó)紐約出租車(chē)網(wǎng)站收集2014年4月至2014年9月的黃,綠,Uber車(chē)出行數(shù)據(jù),并收集到對(duì)應(yīng)時(shí)段氣溫,降雨量,節(jié)假日,... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1支持向量機(jī)分類(lèi)圖

第二章相關(guān)理論介紹13(*)()()()tfgxftgxt(2-5)對(duì)于連續(xù)形式的卷積，它是對(duì)f(x)與g(x)以自變量為x，對(duì)t在正負(fù)無(wú)窮大的區(qū)間求積分�？梢砸杂境胤潘疄槔齺�(lái)解釋連續(xù)卷積積分形式，假設(shè)泳池以體積M開(kāi)始放水，假設(shè)經(jīng)過(guò)時(shí)間T后，泳池放水完畢，如果需要保持泳池中一直都有水，則需要在放水的同時(shí)對(duì)泳池進(jìn)水。放水與進(jìn)水的速度分別為f(x)與g(x),公式2-4便表示時(shí)間T后泳池中的水量。對(duì)于離散形式卷積的不妨以對(duì)室內(nèi)噴香水為例，假設(shè)要保持室內(nèi)一直有香氣，但是香水作用會(huì)隨著時(shí)間一直減弱。假設(shè)香水按照固定時(shí)間段噴，每單位時(shí)間噴的香水量為f(t)，如果不噴香水，室內(nèi)殘余香水量為g(t)，噴香水，室內(nèi)香水殘余量為k(t)。t表示單位時(shí)間，則t=1時(shí)，k(t)=f(t)g(t1)，t=2時(shí)，剩余香氣為之前的香水衰減后的加噴入的香水衰減后的，為k(t)=f(t)g(t2)+f(t1)g(t1)，以此類(lèi)推，當(dāng)t=3時(shí)，室內(nèi)剩余香氣也應(yīng)為之前衰減后的和噴入衰減后的相加。這樣室內(nèi)在第t時(shí)刻剩余的香水表現(xiàn)形式便為公式2-5，這就是離散卷積。2.4.2二維卷積卷積網(wǎng)絡(luò)二維卷積的過(guò)程如圖2-2所示：圖2-2二維卷積圖如圖2-2所示，二維卷積的過(guò)程是按照卷積核與一層張量對(duì)應(yīng)區(qū)域的每一點(diǎn)相乘再全部相加，得到下一層張量的一個(gè)值，并且卷積核是按照設(shè)定好的步長(zhǎng)移動(dòng)，逐個(gè)求出輸出張量上的數(shù)值。卷積核，也就是感知野可以有多個(gè)，有多少卷積核，就有多少個(gè)輸出張量。二維卷積常見(jiàn)于計(jì)算機(jī)視覺(jué)等領(lǐng)域，用于提取圖像特征。

電子科技大學(xué)碩士學(xué)位論文142.4.3激活函數(shù)對(duì)于神經(jīng)網(wǎng)絡(luò)，其中大部分是非線性操作，而激活函數(shù)正是將非線性操作引入神經(jīng)網(wǎng)絡(luò)中的關(guān)鍵技術(shù)之一。激活函數(shù)應(yīng)當(dāng)具有可微，非線性，單調(diào)等性質(zhì)，這樣在網(wǎng)絡(luò)的反向傳播時(shí)可以進(jìn)行求導(dǎo)操作，并且對(duì)網(wǎng)絡(luò)中參數(shù)進(jìn)行非線性操作，同時(shí)單調(diào)保證其為凸函數(shù)。下面介紹幾種神經(jīng)網(wǎng)絡(luò)中常見(jiàn)的激活函數(shù)。1)sigmod函數(shù)：sigmod函數(shù)常用于神經(jīng)網(wǎng)絡(luò)的隱藏層及輸出層中，它可以將輸入x通過(guò)非線性操作壓縮到(0,1)區(qū)間內(nèi)，如邏輯回歸就是在線性回歸的基礎(chǔ)上加入了sigmod函數(shù)。sigmod函數(shù)如公式2-6所示：1Sigmoid(x)1xe(2-6)sigmod函數(shù)的分布圖如圖2-3所示：圖2-3sigmod函數(shù)圖sigmod函數(shù)簡(jiǎn)單易懂，它的求導(dǎo)結(jié)果可以使用自身表示，可以將輸出壓縮到(0,1)區(qū)間內(nèi)并求得分類(lèi)概率，但是隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的加深，sigmod函數(shù)求導(dǎo)的結(jié)果會(huì)無(wú)限趨向于0,這樣會(huì)引發(fā)梯度消失的問(wèn)題。同時(shí)如圖2-3所示，sigmod函數(shù)并不是0均值的，這樣假設(shè)一個(gè)最壞的情況，如果輸入全正或者全負(fù)，那么，函數(shù)輸出值在求導(dǎo)后也會(huì)全正或者全負(fù)，網(wǎng)絡(luò)收斂較慢。2)tanh函數(shù)tanh函數(shù)是基于sigmod函數(shù)，并在其上進(jìn)行了改進(jìn)，函數(shù)如公式2-7所示：tanh()zzzzeezee(2-7)

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征GBDT模型的收費(fèi)站短時(shí)交通流量預(yù)測(cè)[J]. 林培群,周楠楠.  廣西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[2]基于模糊C均值聚類(lèi)和隨機(jī)森林的短時(shí)交通狀態(tài)預(yù)測(cè)方法[J]. 陳忠輝,凌獻(xiàn)堯,馮心欣,鄭海峰,徐藝文.  電子與信息學(xué)報(bào). 2018(08)
[3]基于奇異譜分析和CKF-LSSVM的短時(shí)交通流量預(yù)測(cè)[J]. 商強(qiáng),楊兆升,張偉,邴其春,周熙陽(yáng).  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2016(06)
[4]基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J]. 金玉婷,余立建.  交通科技與經(jīng)濟(jì). 2014(01)

碩士論文
[1]基于小波分析和遺傳神經(jīng)網(wǎng)絡(luò)的短時(shí)城市交通流量預(yù)測(cè)研究[D]. 李波.北京交通大學(xué) 2012
[2]基于混沌和SVR的短時(shí)交通流預(yù)測(cè)方法研究[D]. 徐永俊.西南交通大學(xué) 2011



本文編號(hào)：2983667