近年來,隨著深度學習的發(fā)展,利用深度學習的方法來解決交通領域的問題受到大家的廣泛關注,尤其是長短時記憶網(wǎng)絡（LSTM）在處理時間序列問題上的優(yōu)越性。然而,從模型體系結構的深度、預測區(qū)域的空間尺度以及時空數(shù)據(jù)的預測能力等方面,深度學習方法在交通流預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)前后相關的深層預測網(wǎng)絡結構,將雙向LSTM和單向LSTM網(wǎng)絡相結合用于預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)絡結構,用于預測網(wǎng)絡范圍內(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性特征,同時利用雙向LSTM網(wǎng)絡,對交通流歷史數(shù)據(jù)時間上可能潛在的上下文信息進行關聯(lián),充分進行特征學習。本研究將雙向LSTM網(wǎng)絡層應用于深層架構模型的構建塊,以測量用于預測的流量數(shù)據(jù)的反向依賴性。此外,該可擴展模型可以預測高速公路和復雜城市交通網(wǎng)絡的交通流量。與其他預測模型的比較表明,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的交通流預測
    2.1 交通流特性分析
    2.2 循環(huán)神經(jīng)網(wǎng)絡(RNN)介紹
    2.3 LSTM網(wǎng)絡
        2.3.1 長期依賴問題
        2.3.2 LSTM網(wǎng)絡結構
3 基于改進的LSTM網(wǎng)絡交通流預測模型
    3.1 問題定義
    3.2 雙向LSTM網(wǎng)絡交通流預測模型
        3.2.1 BiRNN網(wǎng)絡
        3.2.2 雙向LSTM網(wǎng)絡交通流預測模型
    3.3 Mask層模型
    3.4 融合的單雙向LSTM網(wǎng)絡預測模型
    3.5 預測模型的結構優(yōu)化
        3.5.1 dropout原理介紹
        3.5.2 Early-stop原理介紹
4 實驗結果及分析
    4.1 實驗環(huán)境
    4.2 實驗數(shù)據(jù)及其標準化處理
    4.3 實驗評價標準
    4.4 各模型實驗結果及對比
        4.4.1 本文研究模型方法實驗結果
        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
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝



本文編號：3371511