隨著交通大數(shù)據(jù)到來(lái),交通數(shù)據(jù)的采集和分析更加容易,各種移動(dòng)終端產(chǎn)生的實(shí)時(shí)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(lái)源。為了有效利用交通數(shù)據(jù),以提供準(zhǔn)確、及時(shí)的路況信息反饋和預(yù)測(cè)為路徑規(guī)劃服務(wù),開(kāi)展了基于實(shí)時(shí)位置服務(wù)的動(dòng)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(luò)的短時(shí)交通流預(yù)測(cè)模型針對(duì)短時(shí)交通流數(shù)據(jù)具有高度非線性、時(shí)變、不確定性和時(shí)空相關(guān)性等特點(diǎn),提出了一種基于時(shí)空特征的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）預(yù)測(cè)模型。該模型由兩個(gè)卷積池化層和三個(gè)全連接層組成,以便自動(dòng)提取交通流的時(shí)空特征,并將其轉(zhuǎn)換為二維特征矩陣,CNN學(xué)習(xí)這些特征以優(yōu)化預(yù)測(cè)模型。通過(guò)將預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)比較,評(píng)估該方法的有效性,還與其他模型進(jìn)行評(píng)估比較。結(jié)果表明,CNN在精度上優(yōu)于長(zhǎng)短期記憶網(wǎng)絡(luò)和門控循環(huán)單元。（2）考慮短時(shí)交通流預(yù)測(cè)的動(dòng)態(tài)路徑規(guī)劃算法為了動(dòng)態(tài)適應(yīng)交通狀況以避開(kāi)交通擁堵、減少旅行時(shí)間,提出了一種利用短時(shí)交通流預(yù)測(cè)信息的動(dòng)態(tài)路徑規(guī)劃算法。該算法是在短時(shí)交通流數(shù)據(jù)和實(shí)時(shí)交通信息的預(yù)測(cè)模型上,將預(yù)測(cè)的行駛速度與城市路網(wǎng)權(quán)重相結(jié)合... 

【文章來(lái)源】：蘭州交通大學(xué)甘肅省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

短時(shí)交通流預(yù)測(cè)問(wèn)題通常，將時(shí)間段5~15min的交通流預(yù)測(cè)叫做短時(shí)預(yù)測(cè)

卷積神經(jīng)網(wǎng)絡(luò)主要組成示意圖

基于實(shí)時(shí)位置服務(wù)的動(dòng)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(shí)，步長(zhǎng)為2的卷積核，經(jīng)過(guò)Pool層的池化計(jì)算后，輸出特征圖的大小為8×8。（3）全連接層的構(gòu)建CNN的完全連接層與ANN的連接相似，因?yàn)槊總�(gè)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(guān)系，即利用提取的特征進(jìn)行預(yù)測(cè)的過(guò)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(yù)測(cè)模型的評(píng)價(jià)指標(biāo)文中選取了回歸問(wèn)題常用的評(píng)價(jià)指標(biāo)：均方誤差（MSE）、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）、決定系數(shù)R2-score來(lái)對(duì)CNN預(yù)測(cè)模型的精度進(jìn)行評(píng)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(cè)站點(diǎn)交通流的預(yù)測(cè)值，是對(duì)應(yīng)的交通流真實(shí)值，為預(yù)測(cè)值的數(shù)量。MSE、RMSE、MAE、MAPE的值越小，決定系數(shù)R2越接近1，說(shuō)明預(yù)測(cè)模型的精度越高。圖3.4預(yù)測(cè)模型結(jié)構(gòu)圖

【參考文獻(xiàn)】：
期刊論文
[1]短時(shí)交通流預(yù)測(cè)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(luò)中容量受限的疏散路徑規(guī)劃方法[J]. 王亮,王潤(rùn)澤,陶坤旺.  測(cè)繪科學(xué). 2019(06)
[3]蟻群算法研究與應(yīng)用的新進(jìn)展[J]. 覃遠(yuǎn)年,梁仲華.  計(jì)算機(jī)工程與科學(xué). 2019(01)
[4]一種兼顧全局與局部特性的機(jī)器人動(dòng)態(tài)路徑規(guī)劃算法[J]. 張旭,程傳奇,郝向陽(yáng),李建勝,胡鵬.  測(cè)繪科學(xué)技術(shù)學(xué)報(bào). 2018(03)
[5]一種多出口室內(nèi)應(yīng)急疏散路徑規(guī)劃算法[J]. 韓李濤,郭歡,張海思.  測(cè)繪科學(xué). 2018(12)
[6]時(shí)變公路網(wǎng)絡(luò)的動(dòng)態(tài)路徑規(guī)劃算法[J]. 許祎娜,王旭仁,蘇紅莉.  小型微型計(jì)算機(jī)系統(tǒng). 2018(06)
[7]基于FOA-RBF網(wǎng)絡(luò)的城市道路短時(shí)交通流預(yù)測(cè)[J]. 陳明猜,於東軍,戚湧.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[8]基于交通擁堵指數(shù)的蟻群改進(jìn)算法研究[J]. 李梟,趙文君.  軟件導(dǎo)刊. 2018(03)
[9]最短路問(wèn)題的Floyd算法優(yōu)化及分析[J]. 張巖,楊龍.  信息技術(shù). 2017(10)
[10]節(jié)點(diǎn)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(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)

碩士論文
[1]基于短時(shí)交通流預(yù)測(cè)的動(dòng)態(tài)路徑選擇問(wèn)題研究[D]. 李治.蘭州交通大學(xué) 2018
[2]面向短時(shí)交通流量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)算法研究[D]. 林海濤.南京郵電大學(xué) 2016
[3]時(shí)間限制下動(dòng)態(tài)路網(wǎng)路徑規(guī)劃算法的研究與實(shí)現(xiàn)[D]. 程思敏.中國(guó)科學(xué)技術(shù)大學(xué) 2015



本文編號(hào)：3520552