隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展,車輛數(shù)量迅速增加,交通擁堵問題日益嚴(yán)重。解決這一問題最有效的方法是使用智能交通系統(tǒng)（ITS）減少交通擁堵,而智能交通系統(tǒng)的核心要素之一是短時(shí)交通流量預(yù)測(cè)。精確的交通流量預(yù)測(cè)模型在減少交通擁堵,改善空氣質(zhì)量和支持政府決策方面發(fā)揮著重要作用。本文對(duì)交通預(yù)測(cè)現(xiàn)有的方法進(jìn)行總結(jié),并在前人研究基礎(chǔ)上進(jìn)行改進(jìn)和創(chuàng)新,針對(duì)不同情況,提出了具有較高預(yù)測(cè)精度的模型。本文在現(xiàn)有的工作基礎(chǔ)上做了以下研究:本文首先提出了一種基于LSTM的改進(jìn)的方法（LSTM+）,它利用注意機(jī)制來捕獲超長(zhǎng)序列的高影響值,并將其連接到當(dāng)前時(shí)間步,從而使LSTM具有超長(zhǎng)記憶的功能。當(dāng)部分地區(qū)傳感器數(shù)量少,傳感器之間比較孤立,傳感器之間無法形成有效的拓?fù)潢P(guān)系,本文使用長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）進(jìn)行流量預(yù)測(cè),然而由于LSTM細(xì)胞大小有限以及細(xì)胞狀態(tài)一直不斷更新,導(dǎo)致LSTM對(duì)超長(zhǎng)期依賴捕獲不足,最近有研究人員注意到在多個(gè)時(shí)間尺度添加特征可以幫助改善循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的長(zhǎng)期依賴,受此啟發(fā),因此本文利用注意機(jī)制方式改進(jìn)了 LSTM。實(shí)驗(yàn)結(jié)果表明,所改進(jìn)的LSTM+模型在孤立傳感器預(yù)測(cè)中具有一定的競(jìng)爭(zhēng)力。其次本文... 

【文章來源】：浙江工商大學(xué)浙江省

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

SB-SR41-S儈在2019/3/4到2019/3/17號(hào)實(shí)交值

不同征與亴值關(guān)性

卷操作


本文編號(hào)：3147155