近年來,隨著深度學(xué)習(xí)的發(fā)展,利用深度學(xué)習(xí)的方法來解決交通領(lǐng)域的問題受到大家的廣泛關(guān)注,尤其是長短時記憶網(wǎng)絡(luò)（LSTM）在處理時間序列問題上的優(yōu)越性。然而,從模型體系結(jié)構(gòu)的深度、預(yù)測區(qū)域的空間尺度以及時空數(shù)據(jù)的預(yù)測能力等方面,深度學(xué)習(xí)方法在交通流預(yù)測問題中的潛力還沒有得到充分的挖掘。本文提出了一種考慮時間序列數(shù)據(jù)前后相關(guān)的深層預(yù)測網(wǎng)絡(luò)結(jié)構(gòu),將雙向LSTM和單向LSTM網(wǎng)絡(luò)相結(jié)合用于預(yù)測公路路段的交通流量。本文提出了一種考慮時間序列數(shù)據(jù)正向和反向依賴性的深層次雙向和單向LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),用于預(yù)測網(wǎng)絡(luò)范圍內(nèi)的交通流量,考慮到時間序列的潛在反向依賴性,采用雙向LSTM層從歷史數(shù)據(jù)中獲取雙向時間的相關(guān)性。本研究以矩陣形式來表示道路交通流數(shù)據(jù),充分考慮道路交通流的空間相關(guān)性特征,同時利用雙向LSTM網(wǎng)絡(luò),對交通流歷史數(shù)據(jù)時間上可能潛在的上下文信息進(jìn)行關(guān)聯(lián),充分進(jìn)行特征學(xué)習(xí)。本研究將雙向LSTM網(wǎng)絡(luò)層應(yīng)用于深層架構(gòu)模型的構(gòu)建塊,以測量用于預(yù)測的流量數(shù)據(jù)的反向依賴性。此外,該可擴(kuò)展模型可以預(yù)測高速公路和復(fù)雜城市交通網(wǎng)絡(luò)的交通流量。與其他預(yù)測模型的比較表明,本文所提出的融合單向和雙向的LSTM神經(jīng)網(wǎng)... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：45 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 章節(jié)安排
2 基于LSTM的交通流預(yù)測
    2.1 交通流特性分析
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)介紹
    2.3 LSTM網(wǎng)絡(luò)
        2.3.1 長期依賴問題
        2.3.2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)
3 基于改進(jìn)的LSTM網(wǎng)絡(luò)交通流預(yù)測模型
    3.1 問題定義
    3.2 雙向LSTM網(wǎng)絡(luò)交通流預(yù)測模型
        3.2.1 BiRNN網(wǎng)絡(luò)
        3.2.2 雙向LSTM網(wǎng)絡(luò)交通流預(yù)測模型
    3.3 Mask層模型
    3.4 融合的單雙向LSTM網(wǎng)絡(luò)預(yù)測模型
    3.5 預(yù)測模型的結(jié)構(gòu)優(yōu)化
        3.5.1 dropout原理介紹
        3.5.2 Early-stop原理介紹
4 實驗結(jié)果及分析
    4.1 實驗環(huán)境
    4.2 實驗數(shù)據(jù)及其標(biāo)準(zhǔn)化處理
    4.3 實驗評價標(biāo)準(zhǔn)
    4.4 各模型實驗結(jié)果及對比
        4.4.1 本文研究模型方法實驗結(jié)果
        4.4.2 本實驗與其他模型的對比
    4.5 模型主要參數(shù)選擇
        4.5.1 網(wǎng)絡(luò)層數(shù)選擇
        4.5.2 BiLSTM連接函數(shù)選擇
        4.5.3 時間滯后長度的選擇
    4.6 模型各模塊重要性比對
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號：3371511