面向交通流量預測的數據處理與組合模型方案的研究
發(fā)布時間：2021-10-27 04:48
21世紀以來,隨著人們生活水平的提高,我國的汽車擁有率大幅度提高,據國家統(tǒng)計局統(tǒng)計數據顯示,我國2018年民用汽車擁有量為23122萬量,這數據還在不斷增長。如此龐大的交通基數往往伴隨著一系列的問題,其中首當其沖就是擁堵問題。目前,由于車輛的激增,我國一些大城市公共交通基礎設施建設正面臨著一個巨大的考驗,擁堵問題也因此成為了城市治理的焦點。治理交通擁堵較為有效的辦法是提前精確預測交通流,然后提前對道路進行管制和導流。本文將選取道路平均通行時間作為衡量交通流量的指標,然后利用數據挖掘技術預測道路平均通行時間。本設計的數據來源為貴陽市132條道路在2017年3月至6月的道路數據（包括道路屬性、道路拓撲結構、道路每兩分鐘平均通行時間）,其中3至5月的數據作為訓練數據,6月份的數據作為測試數據,并以平均絕對百分誤差（MAPE）作為衡量模型精度的指標。本設計對132條路段在出行高峰[8:00,9:00],[15:00,16:00],[18:00,19:00]三個時間段中每兩分鐘的平均通行時間進行預測,主要的工作以及創(chuàng)新點包括:（1）對交通流理論、交通流預測方法、組合模型方法等相關技術進行闡述。（...
【文章來源】：廣東工業(yè)大學廣東省
【文章頁數】：72 頁
【學位級別】：碩士
【部分圖文】：
基于短時交通平均通行時間的應用Figure1-1Applicationbasedonshort-termtrafficaveragetransittime
（2）在步驟（1）中確定的學習速率和決策樹的數量下，對決策樹的參數，調優(yōu)的參數包括最大深度、最小孩子權重、 參數、行采樣、列采樣等。（3）選擇模型的正則化參數，目的是降低模型的復雜度，提升模型的效果（4）降低模型的學習率，重復步驟上述步驟，直到確定最佳參數。3 LSTM 模型.1 RNN 核心算法在經典的神經網絡結構中，數據的流量路徑為隱藏層、輸入層、輸出層，權重因子進行連接，同一層的節(jié)點之間不會有信息傳輸，這種結構很難處有關問題，因此有了循環(huán)神經網絡這種結構。循環(huán)神經網絡（Recurrent Ntwork），簡稱 RNN[41]。RNN 神經網絡結構見圖 3-1。
基于符合函數鏈式求導進行優(yōu)化的，而在 RNN 中，其輸入同時依賴當前神經網絡的狀態(tài)和前一時刻的狀態(tài)，所以，RNN 在訓練時需要同時考慮誤差正向傳播以及誤差在末尾時刻反向傳播到開始時刻，這就是基于時間的反向傳播算法（PropagationThrough Time）。由于 RNN 的結構問題，在某些激活函數作用下，隨著時序的增長，會導致梯度爆炸或者梯度消失，因此傳統(tǒng)的 RNN 算法不具備解決長時依賴問題的能力。Hochreiter S 和 Schmidhuber J 提出的 LSTM 模型就能有效地解決這一問題。3.3.2 LSTM 核心算法LSTM（長短時記憶型）神經網絡是建立在 RNN 上的一種新型深度機器學習神經網絡，其在傳統(tǒng) RNN 模型中加入了細胞控制機制[42]。在網絡拓撲結構上，LSTM網絡與 RNN 網絡基本一樣。但 LSTM 具備解決長期依賴問題以及梯度爆炸問題的能力，從而達到保留更長時間歷史信息的效果。圖 3-2 為 LSTM 神經網絡的結構圖。
【參考文獻】：
期刊論文
[1]非參數回歸的貝葉斯估計[J]. 蘇雅玲,何幼樺. 上海大學學報(自然科學版). 2018(06)
[2]基于多特征決策融合的SAR目標識別方法[J]. 代雪峰,李鵬浩,石秀君. 信息技術. 2018(11)
[3]基于動態(tài)行程時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]基于兩階段行程時間的交通流分配理論[J]. 何勝學. 交通運輸系統(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測模型[J]. 劉冶,劉荻,王硯文,傅自豪,印鑒. 計算機工程. 2019(01)
[6]隨機交通流的組合控制預測模型和方法[J]. 董偉. 沈陽工業(yè)大學學報. 2018(01)
[7]數據標準化對Sevcik分形維數算法的性能影響[J]. 秦建強,孔祥玉,孫喜榮. 儀器儀表學報. 2016(07)
[8]中國交通工程學術研究綜述·2016[J]. 馬建,孫守增,芮海田,馬勇,王磊,劉輝,張偉偉,陳紅燕,陳磊. 中國公路學報. 2016(06)
[9]“人在堵途”,北京日均擁堵3小時 限行、限購后,北京或征收擁堵費 目前各方看法和意見仍不一致[J]. 姚冬琴. 中國經濟周刊. 2016(23)
[10]公路隧道橫通道人員疏散行為及通行能力實驗研究[J]. 張玉春,向月,何川,張迪,湯淵. 西南交通大學學報. 2016(04)
博士論文
[1]城市快速路交通狀態(tài)特性及關聯分析方法研究[D]. 敖谷昌.北京交通大學 2014
碩士論文
[1]基于LLVM克隆代碼檢測關鍵技術研究[D]. 陳星昊.南京郵電大學 2018
[2]基于流量預測的在線交通流分配研究[D]. 陳金鑫.西安工業(yè)大學 2017
[3]駕駛人未系安全帶識別系統(tǒng)研究[D]. 傅生輝.山東農業(yè)大學 2016
[4]城市車輛動態(tài)路徑誘導仿真系統(tǒng)研究[D]. 王利永.沈陽大學 2014
[5]基于路網海量起訖信息的高速公路斷面交通流參數估計[D]. 雷曉娟.長安大學 2014
[6]“公交優(yōu)先”發(fā)展戰(zhàn)略下的我國城市公共交通立法研究[D]. 王元仁.山東大學 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 2013
[8]基于.NET的預測決策算法研究及系統(tǒng)實現[D]. 張科.暨南大學 2011
本文編號：3460904
【文章來源】：廣東工業(yè)大學廣東省
【文章頁數】：72 頁
【學位級別】：碩士
【部分圖文】：
基于短時交通平均通行時間的應用Figure1-1Applicationbasedonshort-termtrafficaveragetransittime
（2）在步驟（1）中確定的學習速率和決策樹的數量下，對決策樹的參數，調優(yōu)的參數包括最大深度、最小孩子權重、 參數、行采樣、列采樣等。（3）選擇模型的正則化參數，目的是降低模型的復雜度，提升模型的效果（4）降低模型的學習率，重復步驟上述步驟，直到確定最佳參數。3 LSTM 模型.1 RNN 核心算法在經典的神經網絡結構中，數據的流量路徑為隱藏層、輸入層、輸出層，權重因子進行連接，同一層的節(jié)點之間不會有信息傳輸，這種結構很難處有關問題，因此有了循環(huán)神經網絡這種結構。循環(huán)神經網絡（Recurrent Ntwork），簡稱 RNN[41]。RNN 神經網絡結構見圖 3-1。
基于符合函數鏈式求導進行優(yōu)化的，而在 RNN 中，其輸入同時依賴當前神經網絡的狀態(tài)和前一時刻的狀態(tài)，所以，RNN 在訓練時需要同時考慮誤差正向傳播以及誤差在末尾時刻反向傳播到開始時刻，這就是基于時間的反向傳播算法（PropagationThrough Time）。由于 RNN 的結構問題，在某些激活函數作用下，隨著時序的增長，會導致梯度爆炸或者梯度消失，因此傳統(tǒng)的 RNN 算法不具備解決長時依賴問題的能力。Hochreiter S 和 Schmidhuber J 提出的 LSTM 模型就能有效地解決這一問題。3.3.2 LSTM 核心算法LSTM（長短時記憶型）神經網絡是建立在 RNN 上的一種新型深度機器學習神經網絡，其在傳統(tǒng) RNN 模型中加入了細胞控制機制[42]。在網絡拓撲結構上，LSTM網絡與 RNN 網絡基本一樣。但 LSTM 具備解決長期依賴問題以及梯度爆炸問題的能力，從而達到保留更長時間歷史信息的效果。圖 3-2 為 LSTM 神經網絡的結構圖。
【參考文獻】：
期刊論文
[1]非參數回歸的貝葉斯估計[J]. 蘇雅玲,何幼樺. 上海大學學報(自然科學版). 2018(06)
[2]基于多特征決策融合的SAR目標識別方法[J]. 代雪峰,李鵬浩,石秀君. 信息技術. 2018(11)
[3]基于動態(tài)行程時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]基于兩階段行程時間的交通流分配理論[J]. 何勝學. 交通運輸系統(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測模型[J]. 劉冶,劉荻,王硯文,傅自豪,印鑒. 計算機工程. 2019(01)
[6]隨機交通流的組合控制預測模型和方法[J]. 董偉. 沈陽工業(yè)大學學報. 2018(01)
[7]數據標準化對Sevcik分形維數算法的性能影響[J]. 秦建強,孔祥玉,孫喜榮. 儀器儀表學報. 2016(07)
[8]中國交通工程學術研究綜述·2016[J]. 馬建,孫守增,芮海田,馬勇,王磊,劉輝,張偉偉,陳紅燕,陳磊. 中國公路學報. 2016(06)
[9]“人在堵途”,北京日均擁堵3小時 限行、限購后,北京或征收擁堵費 目前各方看法和意見仍不一致[J]. 姚冬琴. 中國經濟周刊. 2016(23)
[10]公路隧道橫通道人員疏散行為及通行能力實驗研究[J]. 張玉春,向月,何川,張迪,湯淵. 西南交通大學學報. 2016(04)
博士論文
[1]城市快速路交通狀態(tài)特性及關聯分析方法研究[D]. 敖谷昌.北京交通大學 2014
碩士論文
[1]基于LLVM克隆代碼檢測關鍵技術研究[D]. 陳星昊.南京郵電大學 2018
[2]基于流量預測的在線交通流分配研究[D]. 陳金鑫.西安工業(yè)大學 2017
[3]駕駛人未系安全帶識別系統(tǒng)研究[D]. 傅生輝.山東農業(yè)大學 2016
[4]城市車輛動態(tài)路徑誘導仿真系統(tǒng)研究[D]. 王利永.沈陽大學 2014
[5]基于路網海量起訖信息的高速公路斷面交通流參數估計[D]. 雷曉娟.長安大學 2014
[6]“公交優(yōu)先”發(fā)展戰(zhàn)略下的我國城市公共交通立法研究[D]. 王元仁.山東大學 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 2013
[8]基于.NET的預測決策算法研究及系統(tǒng)實現[D]. 張科.暨南大學 2011
本文編號：3460904
本文鏈接：http://sikaile.net/kejilunwen/daoluqiaoliang/3460904.html
