發(fā)布時(shí)間：2021-10-27 04:48

　　21世紀(jì)以來(lái),隨著人們生活水平的提高,我國(guó)的汽車擁有率大幅度提高,據(jù)國(guó)家統(tǒng)計(jì)局統(tǒng)計(jì)數(shù)據(jù)顯示,我國(guó)2018年民用汽車擁有量為23122萬(wàn)量,這數(shù)據(jù)還在不斷增長(zhǎng)。如此龐大的交通基數(shù)往往伴隨著一系列的問(wèn)題,其中首當(dāng)其沖就是擁堵問(wèn)題。目前,由于車輛的激增,我國(guó)一些大城市公共交通基礎(chǔ)設(shè)施建設(shè)正面臨著一個(gè)巨大的考驗(yàn),擁堵問(wèn)題也因此成為了城市治理的焦點(diǎn)。治理交通擁堵較為有效的辦法是提前精確預(yù)測(cè)交通流,然后提前對(duì)道路進(jìn)行管制和導(dǎo)流。本文將選取道路平均通行時(shí)間作為衡量交通流量的指標(biāo),然后利用數(shù)據(jù)挖掘技術(shù)預(yù)測(cè)道路平均通行時(shí)間。本設(shè)計(jì)的數(shù)據(jù)來(lái)源為貴陽(yáng)市132條道路在2017年3月至6月的道路數(shù)據(jù)（包括道路屬性、道路拓?fù)浣Y(jié)構(gòu)、道路每?jī)煞昼娖骄ㄐ袝r(shí)間）,其中3至5月的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),6月份的數(shù)據(jù)作為測(cè)試數(shù)據(jù),并以平均絕對(duì)百分誤差（MAPE）作為衡量模型精度的指標(biāo)。本設(shè)計(jì)對(duì)132條路段在出行高峰[8:00,9:00],[15:00,16:00],[18:00,19:00]三個(gè)時(shí)間段中每?jī)煞昼姷钠骄ㄐ袝r(shí)間進(jìn)行預(yù)測(cè),主要的工作以及創(chuàng)新點(diǎn)包括:（1）對(duì)交通流理論、交通流預(yù)測(cè)方法、組合模型方法等相關(guān)技術(shù)進(jìn)行闡述。（... 

【文章來(lái)源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于短時(shí)交通平均通行時(shí)間的應(yīng)用Figure1-1Applicationbasedonshort-termtrafficaveragetransittime

（2）在步驟（1）中確定的學(xué)習(xí)速率和決策樹(shù)的數(shù)量下，對(duì)決策樹(shù)的參數(shù)，調(diào)優(yōu)的參數(shù)包括最大深度、最小孩子權(quán)重、 參數(shù)、行采樣、列采樣等。（3）選擇模型的正則化參數(shù)，目的是降低模型的復(fù)雜度，提升模型的效果（4）降低模型的學(xué)習(xí)率，重復(fù)步驟上述步驟，直到確定最佳參數(shù)。3 LSTM 模型.1 RNN 核心算法在經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，數(shù)據(jù)的流量路徑為隱藏層、輸入層、輸出層，權(quán)重因子進(jìn)行連接，同一層的節(jié)點(diǎn)之間不會(huì)有信息傳輸，這種結(jié)構(gòu)很難處有關(guān)問(wèn)題，因此有了循環(huán)神經(jīng)網(wǎng)絡(luò)這種結(jié)構(gòu)。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Ntwork），簡(jiǎn)稱 RNN[41]。RNN 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖 3-1。

基于符合函數(shù)鏈?zhǔn)角髮?dǎo)進(jìn)行優(yōu)化的，而在 RNN 中，其輸入同時(shí)依賴當(dāng)前神經(jīng)網(wǎng)絡(luò)的狀態(tài)和前一時(shí)刻的狀態(tài)，所以，RNN 在訓(xùn)練時(shí)需要同時(shí)考慮誤差正向傳播以及誤差在末尾時(shí)刻反向傳播到開(kāi)始時(shí)刻，這就是基于時(shí)間的反向傳播算法（PropagationThrough Time）。由于 RNN 的結(jié)構(gòu)問(wèn)題，在某些激活函數(shù)作用下，隨著時(shí)序的增長(zhǎng)，會(huì)導(dǎo)致梯度爆炸或者梯度消失，因此傳統(tǒng)的 RNN 算法不具備解決長(zhǎng)時(shí)依賴問(wèn)題的能力。Hochreiter S 和 Schmidhuber J 提出的 LSTM 模型就能有效地解決這一問(wèn)題。3.3.2 LSTM 核心算法LSTM（長(zhǎng)短時(shí)記憶型）神經(jīng)網(wǎng)絡(luò)是建立在 RNN 上的一種新型深度機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，其在傳統(tǒng) RNN 模型中加入了細(xì)胞控制機(jī)制[42]。在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上，LSTM網(wǎng)絡(luò)與 RNN 網(wǎng)絡(luò)基本一樣。但 LSTM 具備解決長(zhǎng)期依賴問(wèn)題以及梯度爆炸問(wèn)題的能力，從而達(dá)到保留更長(zhǎng)時(shí)間歷史信息的效果。圖 3-2 為 LSTM 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。

【參考文獻(xiàn)】：
期刊論文
[1]非參數(shù)回歸的貝葉斯估計(jì)[J]. 蘇雅玲,何幼樺.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[2]基于多特征決策融合的SAR目標(biāo)識(shí)別方法[J]. 代雪峰,李鵬浩,石秀君.  信息技術(shù). 2018(11)
[3]基于動(dòng)態(tài)行程時(shí)間可靠性的單車輛路徑選擇算法研究[J]. 智路平,周溪召.  公路交通科技. 2018(09)
[4]基于兩階段行程時(shí)間的交通流分配理論[J]. 何勝學(xué).  交通運(yùn)輸系統(tǒng)工程與信息. 2018(01)
[5]基于多源融合特征提取的在線廣告預(yù)測(cè)模型[J]. 劉冶,劉荻,王硯文,傅自豪,印鑒.  計(jì)算機(jī)工程. 2019(01)
[6]隨機(jī)交通流的組合控制預(yù)測(cè)模型和方法[J]. 董偉.  沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào). 2018(01)
[7]數(shù)據(jù)標(biāo)準(zhǔn)化對(duì)Sevcik分形維數(shù)算法的性能影響[J]. 秦建強(qiáng),孔祥玉,孫喜榮.  儀器儀表學(xué)報(bào). 2016(07)
[8]中國(guó)交通工程學(xué)術(shù)研究綜述·2016[J]. 馬建,孫守增,芮海田,馬勇,王磊,劉輝,張偉偉,陳紅燕,陳磊.  中國(guó)公路學(xué)報(bào). 2016(06)
[9]“人在堵途”,北京日均擁堵3小時(shí) 限行、限購(gòu)后,北京或征收擁堵費(fèi) 目前各方看法和意見(jiàn)仍不一致[J]. 姚冬琴.  中國(guó)經(jīng)濟(jì)周刊. 2016(23)
[10]公路隧道橫通道人員疏散行為及通行能力實(shí)驗(yàn)研究[J]. 張玉春,向月,何川,張迪,湯淵.  西南交通大學(xué)學(xué)報(bào). 2016(04)

博士論文
[1]城市快速路交通狀態(tài)特性及關(guān)聯(lián)分析方法研究[D]. 敖谷昌.北京交通大學(xué) 2014

碩士論文
[1]基于LLVM克隆代碼檢測(cè)關(guān)鍵技術(shù)研究[D]. 陳星昊.南京郵電大學(xué) 2018
[2]基于流量預(yù)測(cè)的在線交通流分配研究[D]. 陳金鑫.西安工業(yè)大學(xué) 2017
[3]駕駛?cè)宋聪蛋踩珟ёR(shí)別系統(tǒng)研究[D]. 傅生輝.山東農(nóng)業(yè)大學(xué) 2016
[4]城市車輛動(dòng)態(tài)路徑誘導(dǎo)仿真系統(tǒng)研究[D]. 王利永.沈陽(yáng)大學(xué) 2014
[5]基于路網(wǎng)海量起訖信息的高速公路斷面交通流參數(shù)估計(jì)[D]. 雷曉娟.長(zhǎng)安大學(xué) 2014
[6]“公交優(yōu)先”發(fā)展戰(zhàn)略下的我國(guó)城市公共交通立法研究[D]. 王元仁.山東大學(xué) 2014
[7]基于IEEE 1609.4/802.11p的智能交通系統(tǒng)的跨層優(yōu)化[D]. 郭晉杰.北京郵電大學(xué) 2013
[8]基于.NET的預(yù)測(cè)決策算法研究及系統(tǒng)實(shí)現(xiàn)[D]. 張科.暨南大學(xué) 2011



本文編號(hào)：3460904