隨著交通大數(shù)據(jù)到來,交通數(shù)據(jù)的采集和分析更加容易,各種移動終端產(chǎn)生的實時位置、交通流量及行駛速度數(shù)據(jù)等已成為交通大數(shù)據(jù)的重要來源。為了有效利用交通數(shù)據(jù),以提供準確、及時的路況信息反饋和預測為路徑規(guī)劃服務,開展了基于實時位置服務的動態(tài)路徑規(guī)劃算法研究。本文的研究方法與成果如下:（1）基于卷積神經(jīng)網(wǎng)絡的短時交通流預測模型針對短時交通流數(shù)據(jù)具有高度非線性、時變、不確定性和時空相關性等特點,提出了一種基于時空特征的卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks,CNN）預測模型。該模型由兩個卷積池化層和三個全連接層組成,以便自動提取交通流的時空特征,并將其轉換為二維特征矩陣,CNN學習這些特征以優(yōu)化預測模型。通過將預測結果與實際數(shù)據(jù)比較,評估該方法的有效性,還與其他模型進行評估比較。結果表明,CNN在精度上優(yōu)于長短期記憶網(wǎng)絡和門控循環(huán)單元。（2）考慮短時交通流預測的動態(tài)路徑規(guī)劃算法為了動態(tài)適應交通狀況以避開交通擁堵、減少旅行時間,提出了一種利用短時交通流預測信息的動態(tài)路徑規(guī)劃算法。該算法是在短時交通流數(shù)據(jù)和實時交通信息的預測模型上,將預測的行駛速度與城市路網(wǎng)權重相結合... 

【文章來源】：蘭州交通大學甘肅省

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

短時交通流預測問題通常，將時間段5~15min的交通流預測叫做短時預測

卷積神經(jīng)網(wǎng)絡主要組成示意圖

基于實時位置服務的動態(tài)路徑規(guī)劃算法研究-26-例如，卷積層Conv1的輸出特征圖的大小為16×16，在使用2×2時，步長為2的卷積核，經(jīng)過Pool層的池化計算后，輸出特征圖的大小為8×8。（3）全連接層的構建CNN的完全連接層與ANN的連接相似，因為每個神經(jīng)元都連接到最后一層的所有神經(jīng)元。全連接層在特征提取和輸出之間建立了函數(shù)功能關系，即利用提取的特征進行預測的過程。文中全連接層使用的激活函數(shù)為函數(shù)，在卷積層和池化層輸出的數(shù)據(jù)中包含原始數(shù)據(jù)中最突出的特征。2）CNN預測模型的評價指標文中選取了回歸問題常用的評價指標：均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、決定系數(shù)R2-score來對CNN預測模型的精度進行評估。=1∑()2=1（3.4）=√1∑()2=1（3.5）=1∑||=1（3.6）=100∑||=1（3.7）在上述公式中，是觀測站點交通流的預測值，是對應的交通流真實值，為預測值的數(shù)量。MSE、RMSE、MAE、MAPE的值越小，決定系數(shù)R2越接近1，說明預測模型的精度越高。圖3.4預測模型結構圖

【參考文獻】：
期刊論文
[1]短時交通流預測模型綜述[J]. 趙宏,翟冬梅,石朝輝.  都市快軌交通. 2019(04)
[2]大型網(wǎng)絡中容量受限的疏散路徑規(guī)劃方法[J]. 王亮,王潤澤,陶坤旺.  測繪科學. 2019(06)
[3]蟻群算法研究與應用的新進展[J]. 覃遠年,梁仲華.  計算機工程與科學. 2019(01)
[4]一種兼顧全局與局部特性的機器人動態(tài)路徑規(guī)劃算法[J]. 張旭,程傳奇,郝向陽,李建勝,胡鵬.  測繪科學技術學報. 2018(03)
[5]一種多出口室內應急疏散路徑規(guī)劃算法[J]. 韓李濤,郭歡,張海思.  測繪科學. 2018(12)
[6]時變公路網(wǎng)絡的動態(tài)路徑規(guī)劃算法[J]. 許祎娜,王旭仁,蘇紅莉.  小型微型計算機系統(tǒng). 2018(06)
[7]基于FOA-RBF網(wǎng)絡的城市道路短時交通流預測[J]. 陳明猜,於東軍,戚湧.  南京郵電大學學報(自然科學版). 2018(02)
[8]基于交通擁堵指數(shù)的蟻群改進算法研究[J]. 李梟,趙文君.  軟件導刊. 2018(03)
[9]最短路問題的Floyd算法優(yōu)化及分析[J]. 張巖,楊龍.  信息技術. 2017(10)
[10]節(jié)點約束型最短路徑的分層Dijkstra算法[J]. 康文雄,許耀釗.  華南理工大學學報(自然科學版). 2017(01)

碩士論文
[1]基于短時交通流預測的動態(tài)路徑選擇問題研究[D]. 李治.蘭州交通大學 2018
[2]面向短時交通流量預測的神經(jīng)網(wǎng)絡算法研究[D]. 林海濤.南京郵電大學 2016
[3]時間限制下動態(tài)路網(wǎng)路徑規(guī)劃算法的研究與實現(xiàn)[D]. 程思敏.中國科學技術大學 2015



本文編號：3520552