發(fā)布時間：2022-11-06 15:39

　　智能交通系統(tǒng)（ITS）對解決現(xiàn)今的一系列交通問題有著重要作用,而短時交通流預測則是智能交通系統(tǒng)的核心內(nèi)容,同時也是是交通信息服務、交通控制和交通誘導等系統(tǒng)的重要基礎。深度學習算法能夠使用多層神經(jīng)網(wǎng)絡或深層架構來捕捉數(shù)據(jù)的固有特征,而引入注意力機制對深度學習算法性能的提升效果已經(jīng)在自然語言處理、圖像識別等領域得到了驗證。由于交通流的復雜隨機性特征,準確的交通流特征識別并不是一項簡單的任務,科學合理地運用深度學習算法對城市路網(wǎng)交通流進行更加精確的預測對于整個交通系統(tǒng)具有十分重要的意義。本文致力于使用深度學習算法對路網(wǎng)短時交通流速度預測進行研究,針對現(xiàn)有研究成果的不足提出了從預測精度和預測模型效率兩個角度出發(fā)的具體方法,本文的研究內(nèi)容包括:（1）為了提升用于預測的數(shù)據(jù)質(zhì)量,分析了交通流數(shù)據(jù)的統(tǒng)計特性,進行了系統(tǒng)的數(shù)據(jù)預處理,給出了交通流數(shù)據(jù)缺失劃分的定義,并根據(jù)定義的偶然性缺失和多發(fā)性缺失分別采用樸素貝葉斯和動態(tài)時間規(guī)整算法進行數(shù)據(jù)估計和填充。（2）闡述了選擇循環(huán)神經(jīng)網(wǎng)絡（RNN）作為基礎網(wǎng)絡進行交通流預測的原因,針對其在實際應用中的梯度消失問題提出了長短期記憶網(wǎng)絡（LSTM）對模型進行改進... 

【文章頁數(shù)】：104 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 交通流數(shù)據(jù)修復研究
        1.2.2 短時交通流預測研究
        1.2.3 注意力機制研究
    1.3 本文主要研究內(nèi)容和技術路線
        1.3.1 研究內(nèi)容
        1.3.2 技術路線
第二章 短時交通流速度預測理論基礎
    2.1 交通流速度概念及預測原則
        2.1.1 交通流速度概念
        2.1.2 交通流速度預測流程及建模原則
    2.2 交通流預測相關深度學習算法
        2.2.1 深度學習概念
        2.2.2 卷積神經(jīng)網(wǎng)絡
        2.2.3 循環(huán)神經(jīng)網(wǎng)絡
        2.2.4 長短期記憶網(wǎng)絡
    2.3 注意力機制相關概念
        2.3.1 編碼-解碼模型
        2.3.2 注意力模型
    2.4 本章小結
第三章 交通流速度預測數(shù)據(jù)分析及處理
    3.1 交通流數(shù)據(jù)采集
    3.2 交通流數(shù)據(jù)分布特性分析
        3.2.1 交通流數(shù)據(jù)時間分布特性
        3.2.2 交通流數(shù)據(jù)空間分布特性
    3.3 交通流數(shù)據(jù)預處理
        3.3.1 異常值檢測
        3.3.2 小波分解
        3.3.3 數(shù)據(jù)相空間重構
        3.3.4 時間序列穩(wěn)定歸一化
    3.4 交通流數(shù)據(jù)修復
        3.4.1 偶然性缺失填補方法
        3.4.2 多發(fā)性缺失填補方法
    3.5 本章小結
第四章 基于注意力機制的短時交通流速度預測模型
    4.1 基于LSTM-RNN的短時交通流速度預測
        4.1.1 LSTM網(wǎng)絡核心算法
        4.1.2 Dropout層
        4.1.3 激活函數(shù)
        4.1.4 優(yōu)化器
        4.1.5 基于LSTM-RNN的短時交通流預測模型
    4.2 基于注意力機制的短時交通流速度預測
        4.2.1 注意力模型框架
        4.2.2 基于注意力向量計算方式的變體
        4.2.3 基于注意力機制的LSTM-RNN預測模型
    4.3 本章小結
第五章 路網(wǎng)實例驗證分析
    5.1 實驗數(shù)據(jù)來源
    5.2 實驗環(huán)境
        5.2.1 TensorFlow
        5.2.2 Keras
    5.3 模型評價指標
    5.4 稀疏數(shù)據(jù)修復性能分析與對比
        5.4.1 算法有效性分析
        5.4.2 數(shù)據(jù)缺失程度劃分
        5.4.3 各模型修復性能對比
    5.5 預測模型性能分析與對比
        5.5.1 模型訓練過程及參數(shù)優(yōu)化
        5.5.2 模型有效性分析
        5.5.3 與其他方法的預測性能對比
結論與展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件


【參考文獻】：
期刊論文
[1]利用浮動車大數(shù)據(jù)進行稀疏路段行程時間推斷[J]. 張發(fā)明,朱欣焰,咼維,胡濤.  武漢大學學報(信息科學版). 2017(01)
[2]采用低頻浮動車數(shù)據(jù)的行程時間估計[J]. 曲鑫,林賜云,楊兆升,商強,程澤陽.  哈爾濱工業(yè)大學學報. 2016(09)
[3]基于稀疏浮動車數(shù)據(jù)的城市路網(wǎng)交通流速度估計[J]. 王曉蒙,彭玲,池天河.  測繪學報. 2016(07)
[4]基于深度學習的短時交通流預測[J]. 羅向龍,焦琴琴,牛力瑤,孫壯文.  計算機應用研究. 2017(01)
[5]一種面向海量浮動車數(shù)據(jù)的地圖匹配方法[J]. 王曉蒙,池天河,林暉,邵靜,姚曉婧,楊麗娜.  地球信息科學學報. 2015(10)
[6]基于浮動車數(shù)據(jù)的城市道路通行能力時空特征分析[J]. 張希瑞,方志祥,李清泉,魯仕維.  地球信息科學學報. 2015(03)
[7]季節(jié)性ARiMA模型在稀疏交通流下的預測方法[J]. 祁偉,李曄,汪作新.  公路交通科技. 2014(04)
[8]基于大規(guī)模浮動車數(shù)據(jù)的城市道路網(wǎng)復雜度分析[J]. 何兆成,莊立堅,楊文臣,佘錫偉.  公路交通科技. 2013(06)
[9]基于實時數(shù)據(jù)的網(wǎng)狀城市快速路行駛時間預測方法研究[J]. 邵春福,張魁麟,谷遠利.  土木工程學報. 2003(01)

博士論文
[1]多狀態(tài)下城市快速路網(wǎng)交通流短時預測理論與方法研究[D]. 董春嬌.北京交通大學 2011

碩士論文
[1]高速公路短時交通流預測算法研究[D]. 宋迪.浙江工業(yè)大學 2016
[2]車輛換道行為動態(tài)特性及其對車流影響研究[D]. 陳文嬌.青島理工大學 2015



本文編號：3703763