伴隨著中國(guó)的現(xiàn)代化進(jìn)程,中國(guó)社會(huì)經(jīng)濟(jì)飛速發(fā)展,截止2017年底,中國(guó)機(jī)動(dòng)車保有量已經(jīng)達(dá)到3.1億輛,但由于人口向城市聚集,城市中的交通路網(wǎng)承受著巨大壓力,交通擁堵問題成為城市交通路網(wǎng)中的普遍問題。在目前的智能交通信息系統(tǒng)中,交通流量預(yù)測(cè)是重要的一環(huán),也是解決交通擁堵問題的關(guān)鍵所在。在采集大量交通信息的基礎(chǔ)上,精準(zhǔn)的交通流量預(yù)測(cè)有助于智能交通信息系統(tǒng)高效的分析路網(wǎng)狀況,及時(shí)的向管理者和出行者反饋交通信息,從而對(duì)路網(wǎng)進(jìn)行更好的規(guī)劃,提高路網(wǎng)利用率。傳統(tǒng)的交通流量預(yù)測(cè)方法一般基于單條道路的歷史數(shù)據(jù)進(jìn)行非線性擬合,用到的數(shù)據(jù)量小,模型簡(jiǎn)單,過擬合嚴(yán)重,一些學(xué)者考慮了道路的時(shí)空特征,針對(duì)性的提出了路網(wǎng)壓縮的思想,但由于大多是手工分析特征,路網(wǎng)壓縮算法泛化性能差,無(wú)法支持大規(guī)模高維度的城市路網(wǎng)數(shù)據(jù)。為了彌補(bǔ)以上傳統(tǒng)交通流量預(yù)測(cè)方法的不足,更好的對(duì)大規(guī)模城市路網(wǎng)整體進(jìn)行預(yù)測(cè),本文提出一種基于深度學(xué)習(xí)的城市路網(wǎng)交通流預(yù)測(cè)框架。首先引入機(jī)器學(xué)習(xí)中的特征工程方法,對(duì)大規(guī)模交通路網(wǎng)數(shù)據(jù)進(jìn)行特征處理,使用基于SVDD和孤立森林的異常檢測(cè)方法剔除數(shù)據(jù)中的異常節(jié)點(diǎn),通過基于差分的平穩(wěn)性檢驗(yàn)獲得最優(yōu)參數(shù),通過基于C... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

感知機(jī)模型

?ｂ?Ｖ??圖３．１感知機(jī)模型??如圖３．１所示，感知機(jī)是具有單層神經(jīng)元結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，輸出公式為：??Ｎ??ｓｃｏｒｅｓ?＝?＾?ｗｔｘｔ?＋?ｂ??＇?（３－１）??由于感知機(jī)過于簡(jiǎn)單，并且只能適用于線性可分的樣本，因此專家學(xué)者想到??了在感知機(jī)的輸入和輸出之間加入隱層，形成了神經(jīng)網(wǎng)絡(luò)的基本模型結(jié)構(gòu)??Ｌａｖｅｒ?Ｌａｙｅｒ?Ｌ２??圖３．２神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??如圖３．２所示，神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層組成，根據(jù)隱層的個(gè)數(shù)可以將??神經(jīng)網(wǎng)絡(luò)分為淺層神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)類似，同樣??由輸入層、隱藏層和輸出層這三種組成，每一層之間沒有聯(lián)系，在層與層之間進(jìn)行了??１４??

整流層（Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ?ｌａｙｅｒ，?ＲｅＬＵ?ｌａｙｅｒ），使用?ＲｅＬＵ?的激活函數(shù)，ＲｅＬＵ可以將特征稀疏畫，防止模型過擬合，ＲｅＬ：??／（ｊｃ）?＝?ｍａｘ（０，Ａ＊）層（Ｐｏｏｌｉｎｇｌａｙｅｒ），由于卷積層后提取到的特征往往維度過高征分區(qū)域取平均值或者最大值，從而降低特征維度，簡(jiǎn)化模接層（Ｆｕｌｌｙ－Ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒ），是將前一層全部連接起來，將成為全局特征，一般用于連接輸出層。??為一個(gè)單隱層的簡(jiǎn)單ＣＮＮ模型，采用單隱層結(jié)構(gòu)，由上至下層，池化層，全連接層和輸出層，卷積層和池化層相連，之后通輸出的所有特征節(jié)點(diǎn)進(jìn)行全連接作為輸出。其中ｗ表示卷積層使池化層的子采樣因子。??

【參考文獻(xiàn)】：
期刊論文
[1]基于KNN-LSTM的短時(shí)交通流預(yù)測(cè)[J]. 羅向龍,李丹陽(yáng),楊彧,張生瑞.  北京工業(yè)大學(xué)學(xué)報(bào). 2018(12)
[2]基于時(shí)空融合的城市快速路短時(shí)交通流預(yù)測(cè)[J]. 陸文琦,谷遠(yuǎn)利,陳倫.  計(jì)算機(jī)仿真. 2018(09)
[3]《2017年中國(guó)主要城市公共交通大數(shù)據(jù)分析報(bào)告》發(fā)布[J].   人民公交. 2018(05)
[4]基于異常檢測(cè)算法的動(dòng)車組牽引電機(jī)故障預(yù)測(cè)[J]. 顧佳,安帥,張杜瑋.  設(shè)備管理與維修. 2018(08)
[5]基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)研究[J]. 王祥雪,許倫輝.  交通運(yùn)輸系統(tǒng)工程與信息. 2018(01)
[6]基于CNN-SVR混合深度學(xué)習(xí)模型的短時(shí)交通流預(yù)測(cè)[J]. 羅文慧,董寶田,王澤勝.  交通運(yùn)輸系統(tǒng)工程與信息. 2017(05)
[7]基于深度學(xué)習(xí)的車標(biāo)識(shí)別算法的研究與實(shí)現(xiàn)[J]. 陳小娥,楊薇薇.  長(zhǎng)春工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2017(02)
[8]基于深度學(xué)習(xí)的交通擁堵預(yù)測(cè)模型研究[J]. 譚娟,王勝春.  計(jì)算機(jī)應(yīng)用研究. 2015(10)
[9]基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)模型[J]. 傅貴,韓國(guó)強(qiáng),逯峰,許子鑫.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(09)
[10]基于時(shí)空依賴性的區(qū)域路網(wǎng)短時(shí)交通流預(yù)測(cè)模型[J]. 常剛,張毅,姚丹亞.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(02)

碩士論文
[1]智能交通系統(tǒng)中基于機(jī)器視覺的交通流量統(tǒng)計(jì)研究[D]. 彭智.電子科技大學(xué) 2016



本文編號(hào)：3267057