由于早期城市規(guī)劃考慮的因素單一,導(dǎo)致其無法適配現(xiàn)今復(fù)雜的城市發(fā)展?fàn)顩r。因而迅猛的城市發(fā)展速度帶來了許多城市交通問題,例如,交通擁堵、運(yùn)力分布不均等。這些問題逐漸變成了城市發(fā)展的瓶頸,同時(shí)影響城市的運(yùn)行效率。因此,為了提升城市的運(yùn)轉(zhuǎn)速度,緩解交通擁堵,精確預(yù)測(cè)出行需求和合理分配運(yùn)力資源成為可行的解決方案。同時(shí),隨著傳感器和互聯(lián)網(wǎng)技術(shù)的進(jìn)步,車輛的行駛產(chǎn)生了大量的交通時(shí)空數(shù)據(jù)。這些數(shù)據(jù)反映了真實(shí)的交通狀況,能夠?yàn)槌鲂行枨蟮念A(yù)測(cè)提供數(shù)據(jù)來源和分析基礎(chǔ)。因此,如何利用大量的交通出行數(shù)據(jù),預(yù)測(cè)出行需求,為運(yùn)力調(diào)度提供決策參考成為當(dāng)前研究的熱點(diǎn)。在傳統(tǒng)的出行需求預(yù)測(cè)領(lǐng)域,經(jīng)常使用經(jīng)典的時(shí)序預(yù)測(cè)方法,如AR、VAR、ARMA、ARIMA等進(jìn)行預(yù)測(cè)。這些傳統(tǒng)方法僅僅利用了出行數(shù)據(jù)中的時(shí)間特性,沒有充分挖掘數(shù)據(jù)內(nèi)部的規(guī)律特征。同時(shí)模型訓(xùn)練時(shí)間過長(zhǎng)、收斂速度過慢等缺陷導(dǎo)致傳統(tǒng)的時(shí)序預(yù)測(cè)方法在實(shí)驗(yàn)中的預(yù)測(cè)精準(zhǔn)度較差,可擴(kuò)展性較低。近些年,深度學(xué)習(xí)發(fā)展迅猛,在語音,圖像等領(lǐng)域均取得了較好的成果。同時(shí)在回歸預(yù)測(cè)問題方面,深度學(xué)習(xí)也表現(xiàn)出了極佳的效果。因而,為了提升出行需求預(yù)測(cè)的效率和準(zhǔn)確性,深度學(xué)習(xí)被引入了交通...

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 出行數(shù)據(jù)挖掘研究現(xiàn)狀
        1.2.2 可視化技術(shù)研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 本文研究的主要內(nèi)容及章節(jié)安排
        1.3.1 本論文研究?jī)?nèi)容
        1.3.2 本論文章節(jié)安排
第2章 相關(guān)理論基礎(chǔ)簡(jiǎn)述
    2.1 時(shí)空數(shù)據(jù)挖掘
        2.1.1 時(shí)空數(shù)據(jù)挖掘的概念
        2.1.2 時(shí)空數(shù)據(jù)挖掘分類
        2.1.3 時(shí)空預(yù)測(cè)算法分類
    2.2 深度學(xué)習(xí)
        2.2.1 深度學(xué)習(xí)簡(jiǎn)述
        2.2.2 CNN神經(jīng)網(wǎng)絡(luò)基本原理
        2.2.3 LSTM神經(jīng)網(wǎng)絡(luò)基本原理
        2.2.4 ConvLSTM神經(jīng)網(wǎng)絡(luò)基本原理
        2.2.5 BatchNormalization神經(jīng)網(wǎng)絡(luò)基本原理
    2.3 可視化技術(shù)簡(jiǎn)述
    2.4 回歸問題評(píng)價(jià)指標(biāo)
        2.4.1 RMSE評(píng)價(jià)指標(biāo)
        2.4.2 MAE評(píng)價(jià)指標(biāo)
        2.4.3 MAPE評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
第3章 出行訂單數(shù)據(jù)分析及數(shù)據(jù)預(yù)處理
    3.1 出行訂單數(shù)據(jù)介紹
    3.2 數(shù)據(jù)預(yù)處理及相關(guān)概念定義
        3.2.1 地理區(qū)塊定義和實(shí)現(xiàn)
        3.2.2 出行需求概念定義
        3.2.3 出行需求預(yù)測(cè)問題定義
    3.3 出行訂單數(shù)據(jù)相關(guān)特性分析
        3.3.1 數(shù)據(jù)可視分析
        3.3.2 出行數(shù)據(jù)時(shí)序特性分析
    3.4 本章小結(jié)
第4章 基于深度學(xué)習(xí)的短時(shí)出行需求預(yù)測(cè)
    4.1 基于LSTM神經(jīng)網(wǎng)絡(luò)的短時(shí)出行需求預(yù)測(cè)
    4.2 基于CNN神經(jīng)網(wǎng)絡(luò)的短時(shí)出行需求預(yù)測(cè)
    4.3 基于ConvLSTM神經(jīng)網(wǎng)絡(luò)的短時(shí)出行需求預(yù)測(cè)
    4.4 實(shí)驗(yàn)結(jié)果分析
        4.4.1 實(shí)驗(yàn)神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置表
        4.4.2 回歸預(yù)測(cè)評(píng)價(jià)指標(biāo)結(jié)果分析
        4.4.3 模型預(yù)測(cè)結(jié)果可視化對(duì)比分析
        4.4.4 不同地理區(qū)塊劃分方案的預(yù)測(cè)準(zhǔn)確性對(duì)比實(shí)驗(yàn)
        4.4.5 不同地理區(qū)塊劃分方案的模型訓(xùn)練速度對(duì)比實(shí)驗(yàn)
    4.5 本章小結(jié)
第5章 交通出行需求可視化系統(tǒng)
    5.1 可視化系統(tǒng)需求分析
        5.1.1 交通出行需求可視化任務(wù)分析
        5.1.2 可視化系統(tǒng)功能需求分析
        5.1.3 可視化系統(tǒng)業(yè)務(wù)流程
    5.2 可視化系統(tǒng)設(shè)計(jì)
        5.2.1 交通出行需求可視化系統(tǒng)目標(biāo)
        5.2.2 可視化系統(tǒng)總體架構(gòu)
    5.3 可視化系統(tǒng)實(shí)現(xiàn)與展示
        5.3.1 可視化系統(tǒng)應(yīng)用功能
        5.3.2 可視化系統(tǒng)技術(shù)選型
        5.3.3 可視化系統(tǒng)運(yùn)行環(huán)境介紹
        5.3.4 可視化系統(tǒng)功能展示
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及科研成果



本文編號(hào)：3903996