交通流量預(yù)測是智能交通系統(tǒng)(ITS)的關(guān)鍵技術(shù)之一,交通流量預(yù)測是指使用時間序列算法或智能計算方法,基于歷史信息和其他影響因素來預(yù)測未來交通信息變化。由于交通系統(tǒng)受外界和內(nèi)部干擾,使得交通參數(shù)具有一定的復(fù)雜性和隨機(jī)性,單一的方法或算法很難準(zhǔn)確的描述交通參數(shù)的變化情況,深度學(xué)習(xí)類方法因具有強(qiáng)大非線性處理和特征學(xué)習(xí)能力已經(jīng)得到廣泛應(yīng)用,近來的研究中也出現(xiàn)了很多組合分析方法,可以結(jié)合多種算法的優(yōu)勢。本文以深度學(xué)習(xí)方法為基本預(yù)測算法,主要研究了三大類交通流量預(yù)測方法:幾種基本的時間序列分析方法、基于卷積網(wǎng)絡(luò)(CNN)的時空預(yù)測算法、基于經(jīng)驗?zāi)B(tài)分解(EMD)和長短期記憶網(wǎng)絡(luò)(LSTM)的時空預(yù)測算法。實驗給出了各個算法的預(yù)測曲線分析,計算出衡量算法預(yù)測性能的誤差指標(biāo)并進(jìn)行對比,可以得到以下結(jié)論:數(shù)據(jù)相同時,在算法誤差指標(biāo)方面,傳統(tǒng)的時間序列預(yù)測分析方法最大,時空相關(guān)的CNN改進(jìn)算法次之,時空EMD-LSTM類算法最小;在算法的復(fù)雜度和訓(xùn)練效率上,傳統(tǒng)時間序列算法和基于LSTM類的算法比時空相關(guān)的CNN類算法快,復(fù)雜度低。最后,在所有仿真方法中,采用噪聲輔助分析的時空EEMD-LSTM算法性能最...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀
        1.2.1 ITS研究現(xiàn)狀
        1.2.2 交通流量預(yù)測研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)方法研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 論文結(jié)構(gòu)
第2章 短期交通流量預(yù)測
    2.1 引言
    2.2 短時交通流量預(yù)測基本理論
        2.2.1 基本參數(shù)
        2.2.2 特性分析
        2.2.3 主要影響因素分析
    2.3 短時交通流量常用預(yù)測方法
        2.3.1 指數(shù)平滑方法
        2.3.2 支持向量機(jī)
        2.3.3 BP神經(jīng)網(wǎng)絡(luò)
    2.4 交通數(shù)據(jù)的采集與處理
        2.4.1 交通流量數(shù)據(jù)的獲取
        2.4.2 交通數(shù)據(jù)錯誤的原因和類型
        2.4.3 錯誤數(shù)據(jù)的判斷和處理
        2.4.4 數(shù)據(jù)規(guī)范化
    2.5 算法評價指標(biāo)
    2.6 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的交通流時空分析預(yù)測
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.1 原理簡介
        3.2.2 CNN預(yù)測性能分析
    3.3 密集連接卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 原理簡介
        3.3.2 DenseNet預(yù)測性能分析
    3.4 多時間尺度的密集連接卷積網(wǎng)絡(luò)融合預(yù)測
        3.4.1 多時間尺度網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 多時間尺度DenseNet預(yù)測性能分析
    3.5 本章小結(jié)
第4章 基于經(jīng)驗?zāi)B(tài)分解的LSTM時空預(yù)測
    4.1 引言
    4.2 長短期記憶網(wǎng)絡(luò)
        4.2.1 LSTM算法原理
        4.2.2 LSTM算法預(yù)測分析
    4.3 經(jīng)驗?zāi)B(tài)分解算法
        4.3.1 經(jīng)驗?zāi)B(tài)分解算法原理
        4.3.2 EMD分解算法分解信號的時域和頻域分析
    4.4 時空EMD-LSTM預(yù)測算法
        4.4.1 時空EMD-LSTM預(yù)測算法原理
        4.4.2 EMD-LSTM算法性能分析
    4.5 時空EEMD-LSTM預(yù)測算法
        4.5.1 集合經(jīng)驗?zāi)B(tài)分解(EEMD)算法
        4.5.2 EEMD分解算法分解信號的時域和頻域分析
        4.5.3 時空EEMD-LSTM算法及預(yù)測結(jié)果分析
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝



本文編號：3761189