隨著社會經(jīng)濟(jì)的快速發(fā)展,機(jī)動車擁有量迅速增加,城市交通擁堵等問題也變得日益嚴(yán)重。為了解決交通擁堵問題,交通部門廣泛應(yīng)用智能交通系統(tǒng)進(jìn)行交通管理。短時(shí)交通流預(yù)測不僅是智能交通系統(tǒng)的核心內(nèi)容之一,也是交通部門實(shí)施交通控制和交通誘導(dǎo)的基本依據(jù)。如何對短時(shí)交通流進(jìn)行準(zhǔn)確預(yù)測一直是各國學(xué)者研究的熱點(diǎn)問題。短時(shí)交通流具有隨機(jī)性、周期性、相關(guān)性和非線性等特征,是一種典型的時(shí)間序列數(shù)據(jù),準(zhǔn)確的提取交通流的時(shí)序特征是提高短時(shí)交通流預(yù)測模型的關(guān)鍵所在。近些年來,深度學(xué)習(xí)的方法因?yàn)榫哂袕?qiáng)大的非線性擬合能力和數(shù)據(jù)的深層特征表達(dá)能力,逐漸在交通流預(yù)測方面得到了應(yīng)用。本文研究應(yīng)用深度學(xué)習(xí)中具有時(shí)間記憶特性的長短時(shí)記憶（LSTM,Long Short-Term Memory）算法和門控循環(huán)單元（GRU,Gated Recurrent Unit）算法對短時(shí)交通流進(jìn)行預(yù)測,主要內(nèi)容如下:（1）分析了短時(shí)交通流數(shù)據(jù)的時(shí)序特征,建立了基于LSTM算法和基于GRU算法的短時(shí)交通流預(yù)測模型,其中預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)和相關(guān)參數(shù)經(jīng)過實(shí)驗(yàn)對比分析得到。此后,對該兩種預(yù)測模型進(jìn)行了仿真實(shí)驗(yàn),結(jié)果表明這兩種短時(shí)交通流預(yù)測模型能夠較好的挖掘... 

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 主要研究內(nèi)容與組織結(jié)構(gòu)
2 短時(shí)交通流預(yù)測的相關(guān)理論
    2.1 交通流的基本理論
    2.2 短時(shí)交通流預(yù)測的基本流程及建模原則
    2.3 數(shù)據(jù)的來源和預(yù)處理
    2.4 預(yù)測模型的評價(jià)標(biāo)準(zhǔn)
    2.5 深度學(xué)習(xí)相關(guān)基礎(chǔ)
    2.6 本章小結(jié)
3 基于LSTM和GRU的短時(shí)交通流預(yù)測模型
    3.1 LSTM算法
    3.2 GRU算法
    3.3 激活函數(shù)和優(yōu)化算法
    3.4 基于LSTM的短時(shí)交通流預(yù)測模型
    3.5 基于GRU的短時(shí)交通流預(yù)測模型
    3.6 本章小結(jié)
4 基于改進(jìn)的LSTM和GRU短時(shí)交通流預(yù)測模型
    4.1 注意力機(jī)制相關(guān)概念
    4.2 基于LSTM-attention和GRU-attention的短時(shí)交通流預(yù)測模型
    4.3 基于組合模型的短時(shí)交通流預(yù)測
    4.4 本章小結(jié)
5 交通流預(yù)測模型仿真及分析
    5.1 實(shí)驗(yàn)環(huán)境與評價(jià)指標(biāo)選取
    5.2 各預(yù)測模型的實(shí)驗(yàn)結(jié)果對比分析
    5.3 本章小結(jié)
6 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
作者簡歷
致謝
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于長時(shí)卷積深度網(wǎng)絡(luò)的交通流預(yù)測方法[J]. 鄒煜星,鄧敏.  測繪與空間地理信息. 2019(07)
[2]基于時(shí)空特征挖掘的交通流量預(yù)測方法[J]. 孔繁鈺,周愉峰,陳綱.  計(jì)算機(jī)科學(xué). 2019(07)
[3]基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測研究[J]. 王祥雪,許倫輝.  交通運(yùn)輸系統(tǒng)工程與信息. 2018(01)
[4]一種改進(jìn)的深度置信網(wǎng)絡(luò)在交通流預(yù)測中的應(yīng)用[J]. 趙庶旭,崔方.  計(jì)算機(jī)應(yīng)用研究. 2019(03)
[5]基于分類的中文文本摘要方法[J]. 龐超,尹傳環(huán).  計(jì)算機(jī)科學(xué). 2018(01)
[6]一種基于MapReduce的短時(shí)交通流預(yù)測方法[J]. 梁軻,譚建軍,李英遠(yuǎn).  計(jì)算機(jī)工程. 2015(01)
[7]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計(jì)算機(jī)科學(xué). 2014(11)
[8]基于模糊卡爾曼濾波的短時(shí)交通流量預(yù)測方法[J]. 郭海鋒,方良君,俞立.  浙江工業(yè)大學(xué)學(xué)報(bào). 2013(02)
[9]ARMA時(shí)間序列模型的研究與應(yīng)用[J]. 王行建,劉欣.  自動化技術(shù)與應(yīng)用. 2008(08)
[10]基于ARIMA模型的短時(shí)交通流實(shí)時(shí)自適應(yīng)預(yù)測[J]. 韓超,宋蘇,王成紅.  系統(tǒng)仿真學(xué)報(bào). 2004(07)

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)模型的短時(shí)交通流預(yù)測及應(yīng)用研究[D]. 于亞男.太原理工大學(xué) 2015
[2]基于云平臺的短時(shí)交通流預(yù)測算法設(shè)計(jì)與實(shí)現(xiàn)[D]. 張麗.大連理工大學(xué) 2013



本文編號：3731569