基于神經(jīng)網(wǎng)絡(luò)及聚類的城市區(qū)域交通流量預(yù)測研究
發(fā)布時間：2021-12-10 05:57
我國經(jīng)濟的快速發(fā)展和城市化進程的加快增加了城市的就業(yè)需求,更多的人選擇聚集在城市工作和生活。城市人口增長在推動城市發(fā)展方面做出了巨大的貢獻,另一方面也給城市帶來了一些負面影響,最顯而易見的問題就是交通擁堵和空氣污染。解決交通擁堵問題被許多城市當作工作重點之一,也成為了學(xué)術(shù)界一個熱門的研究課題。交通擁堵受交通基礎(chǔ)設(shè)施、人口密度等因素影響,還受學(xué)校所在地、企業(yè)密集地、公眾活動場所、氣候、氣象條件等多種因素影響。因而預(yù)測和解決交通擁堵問題是一個巨大的挑戰(zhàn)。本文探討關(guān)于時空相關(guān)性的城市區(qū)域交通流量預(yù)測問題,提出基于神經(jīng)網(wǎng)絡(luò)及聚類的城市區(qū)域交通流量預(yù)測方法,主要的研究內(nèi)容包括:（1）提出基于周期性特征的中長期交通流量預(yù)測方法。這種方法的主要思想是利用交通流量時間序列數(shù)據(jù)的周期性特征（如對于某個特定區(qū)域,工作日各時間點的交通流量有很大的相似性等）來建立數(shù)據(jù)之間的相關(guān)性,從而構(gòu)建針對性的預(yù)測模型。本文從建立基于長短期記憶人工神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory,LSTM）的交通流量預(yù)測模型入手,根據(jù)區(qū)域交通流量的變化范圍選擇聚類粒度,將原始流量數(shù)據(jù)作聚類,然后再對聚類后的數(shù)據(jù)進行訓(xùn)...
【文章來源】：廣西師范大學(xué)廣西壯族自治區(qū)
【文章頁數(shù)】：59 頁
【學(xué)位級別】：碩士
【部分圖文】：
011-2017年機動車擁有量增長趨勢圖
圖 1-2 2006-2017 年道路長度和道路面積變化圖交通擁堵會給人們在經(jīng)濟上造成一定的損失，同時還威脅著人們的人身安全。以北京市為例，根據(jù)高德地圖關(guān)于《2018Q3 中國主要城市交通分析報告》中可以知道，在 2018年的前三個季度每個人平均花費在交通擁堵的成本為 1049 元，大約占到每個人月平均工資水平的 12.4%[2]。根據(jù) 2018 年北京統(tǒng)計年鑒中統(tǒng)計的有關(guān) 2017 年北京市交通事故數(shù)據(jù)，2017 年發(fā)生的交通事故數(shù)量為 3160 起，比 2016 年增加 2.0%；機動車事故數(shù)為 2708 起，比 2016 年增加 1.2%；受傷人數(shù) 2416 人，比 2016 年增加 1.5%[3]。隨著人民生活水平的提升，為了滿足自己的出行需要以及享受更好的生活體驗，更多的人們選擇購買車輛，使得機動車的數(shù)量不斷增加，這是社會發(fā)展的難以避免的規(guī)律，不能以降低交通擁堵為目的而大量限制人們購買車輛。另外，由于城市功能區(qū)域與道路網(wǎng)絡(luò)在建設(shè)形成之后，可用于改造的空間有限，如果僅僅依靠對道路的建設(shè)來改善交通擁堵，往往需要投入大量的資源卻又很難滿足城市快速發(fā)展的需要。因此，通過合理的方式對現(xiàn)有的交通道路網(wǎng)絡(luò)進行充分利用，可優(yōu)化城市交通運營管理，有效減少人們的出行成本，緩解交通擁堵的問題。
廣西師范大學(xué)碩士研究生學(xué)位論文算公式如（2.24）所示： = (U tW t 1) = ( ) 中 f 一般為 Relu 或者 tanh 等激活函數(shù)，g 一般為 softmax 激活函數(shù)。于 RNN 在處理時間序列上長期依賴關(guān)系時會產(chǎn)生梯度消失或者梯度膨脹等問RNN（Gated RNN）被提出且可以很好的解決這個問題，而 LSTM 是門限 RN一種。STM 的一個節(jié)點結(jié)構(gòu)如圖 2-6 所示。LSTM 與 RNN 的區(qū)別在于增加了輸入門出門，使得在隱藏層中神經(jīng)元的權(quán)重是變化的，在模型參數(shù)不變時，隱藏層的重要程度選擇記憶還是舍棄上一層的特征信息，從而避免了梯度消失或者題。
【參考文獻】：
期刊論文
[1]基于ARIMA和Kalman濾波的道路交通狀態(tài)實時預(yù)測（英文）[J]. Dong-wei XU,Yong-dong WANG,Li-min JIA,Yong QIN,Hong-hui DONG. Frontiers of Information Technology & Electronic Engineering. 2017(02)
[2]Analysis and modeling of highway truck traffic volume variations during severe winter weather conditions in Canada[J]. Hyuk-Jae Roh,Satish Sharma,Prasanta K.Sahu,Sandeep Datia. Journal of Modern Transportation. 2015(03)
[3]基于小波分析和ARIMA模型的交通流預(yù)測方法[J]. 竇慧麗,劉好德,吳志周,楊曉光. 同濟大學(xué)學(xué)報(自然科學(xué)版). 2009(04)
本文編號：3532032
【文章來源】：廣西師范大學(xué)廣西壯族自治區(qū)
【文章頁數(shù)】：59 頁
【學(xué)位級別】：碩士
【部分圖文】：
011-2017年機動車擁有量增長趨勢圖
圖 1-2 2006-2017 年道路長度和道路面積變化圖交通擁堵會給人們在經(jīng)濟上造成一定的損失，同時還威脅著人們的人身安全。以北京市為例，根據(jù)高德地圖關(guān)于《2018Q3 中國主要城市交通分析報告》中可以知道，在 2018年的前三個季度每個人平均花費在交通擁堵的成本為 1049 元，大約占到每個人月平均工資水平的 12.4%[2]。根據(jù) 2018 年北京統(tǒng)計年鑒中統(tǒng)計的有關(guān) 2017 年北京市交通事故數(shù)據(jù)，2017 年發(fā)生的交通事故數(shù)量為 3160 起，比 2016 年增加 2.0%；機動車事故數(shù)為 2708 起，比 2016 年增加 1.2%；受傷人數(shù) 2416 人，比 2016 年增加 1.5%[3]。隨著人民生活水平的提升，為了滿足自己的出行需要以及享受更好的生活體驗，更多的人們選擇購買車輛，使得機動車的數(shù)量不斷增加，這是社會發(fā)展的難以避免的規(guī)律，不能以降低交通擁堵為目的而大量限制人們購買車輛。另外，由于城市功能區(qū)域與道路網(wǎng)絡(luò)在建設(shè)形成之后，可用于改造的空間有限，如果僅僅依靠對道路的建設(shè)來改善交通擁堵，往往需要投入大量的資源卻又很難滿足城市快速發(fā)展的需要。因此，通過合理的方式對現(xiàn)有的交通道路網(wǎng)絡(luò)進行充分利用，可優(yōu)化城市交通運營管理，有效減少人們的出行成本，緩解交通擁堵的問題。
廣西師范大學(xué)碩士研究生學(xué)位論文算公式如（2.24）所示： = (U tW t 1) = ( ) 中 f 一般為 Relu 或者 tanh 等激活函數(shù)，g 一般為 softmax 激活函數(shù)。于 RNN 在處理時間序列上長期依賴關(guān)系時會產(chǎn)生梯度消失或者梯度膨脹等問RNN（Gated RNN）被提出且可以很好的解決這個問題，而 LSTM 是門限 RN一種。STM 的一個節(jié)點結(jié)構(gòu)如圖 2-6 所示。LSTM 與 RNN 的區(qū)別在于增加了輸入門出門，使得在隱藏層中神經(jīng)元的權(quán)重是變化的，在模型參數(shù)不變時，隱藏層的重要程度選擇記憶還是舍棄上一層的特征信息，從而避免了梯度消失或者題。
【參考文獻】：
期刊論文
[1]基于ARIMA和Kalman濾波的道路交通狀態(tài)實時預(yù)測（英文）[J]. Dong-wei XU,Yong-dong WANG,Li-min JIA,Yong QIN,Hong-hui DONG. Frontiers of Information Technology & Electronic Engineering. 2017(02)
[2]Analysis and modeling of highway truck traffic volume variations during severe winter weather conditions in Canada[J]. Hyuk-Jae Roh,Satish Sharma,Prasanta K.Sahu,Sandeep Datia. Journal of Modern Transportation. 2015(03)
[3]基于小波分析和ARIMA模型的交通流預(yù)測方法[J]. 竇慧麗,劉好德,吳志周,楊曉光. 同濟大學(xué)學(xué)報(自然科學(xué)版). 2009(04)
本文編號：3532032
本文鏈接：http://sikaile.net/kejilunwen/daoluqiaoliang/3532032.html
