隨著社會(huì)和經(jīng)濟(jì)的不斷發(fā)展,人們對(duì)于交通方面的需求也在逐漸改變,其中精確、實(shí)時(shí)的道路短時(shí)交通流預(yù)測(cè)不僅可以為路網(wǎng)結(jié)構(gòu)的合理性分析提供數(shù)據(jù)支持,同時(shí)也能使得人們的出行更加便利、高效。因此短時(shí)交通流的預(yù)測(cè)對(duì)于交通系統(tǒng)的完善和發(fā)展有著十分重要的意義。短時(shí)交通流的預(yù)測(cè)可以看作是一種多因素影響的時(shí)空序列預(yù)測(cè)問(wèn)題,然而該領(lǐng)域現(xiàn)有的預(yù)測(cè)方法仍然受到以下數(shù)據(jù)特征和模型結(jié)構(gòu)的限制:1)交通流數(shù)據(jù)具有復(fù)雜的特征和性質(zhì),單一的預(yù)測(cè)模型往往需要具有強(qiáng)大的特征提取能力以及復(fù)雜的計(jì)算過(guò)程,構(gòu)造過(guò)程十分復(fù)雜;2)對(duì)交通流數(shù)據(jù)預(yù)處理工作不足,往往導(dǎo)致其中有效信息不能被充分利用;3)模型對(duì)于突發(fā)事件所造成的異常交通流數(shù)據(jù)不敏感,造成預(yù)測(cè)結(jié)果精度下降。針對(duì)以上問(wèn)題,本文主要研究?jī)?nèi)容如下:（1）針對(duì)傳統(tǒng)預(yù)測(cè)模型不能充分利用交通流時(shí)空維度信息,以及對(duì)突發(fā)事件造成的異常數(shù)據(jù)變化不敏感等缺點(diǎn),提出誤差反饋卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型并應(yīng)用于短時(shí)交通流的預(yù)測(cè)。該模型利用卷積神經(jīng)網(wǎng)絡(luò)局部感知以及權(quán)值共享等優(yōu)勢(shì)對(duì)交通流時(shí)空數(shù)據(jù)進(jìn)行高效分析,同時(shí)優(yōu)化了網(wǎng)絡(luò)的誤差反饋機(jī)制,使其能夠更好地識(shí)別異常交通流數(shù)據(jù)特征,提高預(yù)測(cè)模型的準(zhǔn)確性以及自適應(yīng)性。（2... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

短時(shí)交通流預(yù)測(cè)模型分類Figure1-1ClassificationofShort-termTrafficFlowPredictionModels

北京工業(yè)大學(xué)工學(xué)碩士學(xué)位論文測(cè)時(shí)，考慮到交通流可能存在的異常模式，根據(jù)各個(gè)子模型的預(yù)測(cè)結(jié)果時(shí)間點(diǎn)與各交通流模式的隸屬關(guān)系，計(jì)算出最終預(yù)測(cè)結(jié)果。（2）在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)基礎(chǔ)上提出誤差反饋卷積神經(jīng)網(wǎng)絡(luò)針對(duì)交通流所具有的時(shí)空特性，本文選取對(duì)二維矩陣數(shù)據(jù)特征提取效果積神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型的結(jié)構(gòu)基礎(chǔ)，并對(duì)其進(jìn)行了改進(jìn)，在原有的網(wǎng)中 添 加 誤 差 反 饋 模 塊 ， 構(gòu) 成 誤 差 反 饋 卷 積 神 經(jīng) 網(wǎng) 絡(luò) (Error Feednvolutional Neural Network，EFCNN)。該模型的優(yōu)勢(shì)在于一方面可以提取據(jù)時(shí)間和空間兩個(gè)維度的特征，另一方面可以接收之前幾個(gè)時(shí)間單位的對(duì)預(yù)測(cè)結(jié)果進(jìn)行進(jìn)一步修正，增強(qiáng)了模型對(duì)于特殊事件所造成的異常數(shù)能力，在一定程度上提高了短時(shí)交通流的預(yù)測(cè)精度。 論文組織結(jié)構(gòu)

圖 2-1 卷積操作示例圖Figure 2-1 Convolution operation example diagram池化層卷積層的相關(guān)操作，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中連接權(quán)值過(guò)多的問(wèn)題，特征位的識(shí)別能力。卷積層的相關(guān)操作獲得了相應(yīng)的特征圖之后，用這些特征圖來(lái)繼續(xù)進(jìn)一步的特征提取。由于每一層卷積核的大每層都可能有多個(gè)卷積核對(duì)特征進(jìn)行提取，每個(gè)卷積核均可輸出一于最終的輸出結(jié)果計(jì)算量還是非常大的。例如輸入數(shù)據(jù)為一個(gè) 100通過(guò) 10×10 的卷積核對(duì)圖像進(jìn)行卷積，輸出學(xué)習(xí)得到的 100 個(gè)特征中，每一個(gè)卷積核都可以得到(100-10+1)×(100-10+1)=8281 個(gè)結(jié)果100 個(gè)特征進(jìn)行提取，因此對(duì)于每個(gè)樣本學(xué)習(xí)的結(jié)果集大小將會(huì)0=828100 個(gè)特征。將如此高維度的特征輸入到最終的全連接層是十會(huì)嚴(yán)重影響訓(xùn)練速度，同時(shí)很容易出現(xiàn)過(guò)擬合的現(xiàn)象。

【參考文獻(xiàn)】：
期刊論文
[1]基于FCM聚類算法的電動(dòng)車城市循環(huán)工況構(gòu)建[J]. 余曼,趙軒,魏朗,葉毅銘,嚴(yán)慈磊.  公路交通科技. 2018(10)
[2]基于CNN-SVR混合深度學(xué)習(xí)模型的短時(shí)交通流預(yù)測(cè)[J]. 羅文慧,董寶田,王澤勝.  交通運(yùn)輸系統(tǒng)工程與信息. 2017(05)
[3]K-means算法初始聚類中心選擇的優(yōu)化[J]. 郁啟麟.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(05)
[4]基于時(shí)空自相關(guān)的道路交通狀態(tài)聚類方法[J]. 韋偉,毛保華,陳紹寬,周洋帆.  交通運(yùn)輸系統(tǒng)工程與信息. 2016(02)
[5]基于組合模型的短時(shí)交通流量預(yù)測(cè)算法[J]. 芮蘭蘭,李欽銘.  電子與信息學(xué)報(bào). 2016(05)
[6]一種基于非參數(shù)回歸的交通速度預(yù)測(cè)方法[J]. 史殿習(xí),丁濤杰,丁博,劉惠.  計(jì)算機(jī)科學(xué). 2016(02)
[7]基于EMD聚類與ARMA的交通流量預(yù)測(cè)方法[J]. 余林,舒勤,柏吉瓊.  公路. 2015(05)
[8]基于空間聚類的交通流預(yù)測(cè)模型[J]. 許榕,繆李囡,施靜靜,陳啟美.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2015(02)
[9]基于交通流理論的道路實(shí)際通行能力模型[J]. 鄭松竺,徐雅琳,李夢(mèng)思.  中國(guó)傳媒大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(04)
[10]基于小波分析的隨機(jī)交通流組合預(yù)測(cè)方法研究[J]. 丁恒,鄭小燕,劉燕,陳無(wú)畏.  系統(tǒng)仿真學(xué)報(bào). 2012(02)

博士論文
[1]模糊C均值聚類及其有效性檢驗(yàn)與應(yīng)用研究[D]. 周開(kāi)樂(lè).合肥工業(yè)大學(xué) 2014

碩士論文
[1]基于聚類分析的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法研究[D]. 張瑋瑋.重慶郵電大學(xué) 2016
[2]基于聚類WNN-ARIMA的短時(shí)交通流預(yù)測(cè)研究與應(yīng)用[D]. 郝曉濤.大連理工大學(xué) 2016
[3]基于SVM的交通流短時(shí)預(yù)測(cè)方法研究[D]. 賈勇兵.西南交通大學(xué) 2012



本文編號(hào)：3585764