智能交通系統(tǒng)是全世界公認的提高道路安全、緩解交通擁堵、減少交通污染、縮短出行時間、提高路網(wǎng)通行效率的有效途徑。實時、準確的短時交通流預(yù)測是智能交通系統(tǒng)的關(guān)鍵技術(shù)之一,也是交通流預(yù)測領(lǐng)域的研究重點,更是進行交通誘導(dǎo)和控制、出行路線規(guī)劃等的基礎(chǔ),在高速公路路網(wǎng)的交通規(guī)劃及優(yōu)化管理中起著極為重要的作用。針對現(xiàn)有預(yù)測模型無法在海量交通大數(shù)據(jù)中提取交通流序列的內(nèi)部規(guī)律,未能考慮交通流序列不同成分對預(yù)測性能影響的問題,本文在充分利用交通流序列時空相關(guān)性的基礎(chǔ)上,提出了一種基于正交參數(shù)優(yōu)化的DFT-KNN-LSTM短時交通流預(yù)測模型。首先,采用DFT將交通流數(shù)據(jù)分解為趨勢項分量及殘差項分量,去除趨勢項分量對預(yù)測結(jié)果的影響;其次,采用基于距離加權(quán)的KNN算法篩選出與待預(yù)測目標檢測站空間相關(guān)性最大的K個檢測站,以篩選出的K個檢測站的交通流構(gòu)造時空相關(guān)數(shù)據(jù)集輸入LSTM模型中進行短時交通流預(yù)測;并通過正交試驗對LSTM模型的參數(shù)進行優(yōu)化,以預(yù)測誤差最小為目標函數(shù)確定最優(yōu)的模型參數(shù)組合;最后,通過美國交通研究數(shù)據(jù)實驗室提供的真實交通數(shù)據(jù)對本文提出的模型進行驗證。通過真實的實驗驗證得出:(1)去除趨勢項分量可...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 交通流量預(yù)測國內(nèi)外研究現(xiàn)狀
        1.2.1 交通流量預(yù)測概述
        1.2.2 交通流量預(yù)測國內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容及章節(jié)安排
第二章 交通流數(shù)據(jù)分解方法
    2.1 離散傅里葉變換
    2.2 經(jīng)驗?zāi)B(tài)分解
    2.3 希爾伯特-黃變換
    2.4 小波變換
    2.5 本章小結(jié)
第三章 深度學習基本理論
    3.1 深度學習概述
    3.2 深度學習的常用模型
        3.2.1 限制玻爾茲曼機
        3.2.2 深度信念網(wǎng)絡(luò)
        3.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.2.4 長短時記憶網(wǎng)絡(luò)
    3.3 本章小結(jié)
第四章 DFT-KNN-LSTM短時交通流預(yù)測模型
    4.1 DFT交通流數(shù)據(jù)分解
    4.2 DFT-KNN-LSTM短時交通流預(yù)測模型
        4.2.1 KNN算法理論
        4.2.2 基于DFT-KNN-LSTM的短時交通流預(yù)測
    4.3 正交試驗設(shè)計
        4.3.1 正交試驗設(shè)計原理
        4.3.2 基于正交試驗設(shè)計的模型參數(shù)優(yōu)化
    4.4 基于正交參數(shù)優(yōu)化的DFT-KNN-LSTM短時交通流預(yù)測流程
    4.5 預(yù)測結(jié)果的性能評價指標
    4.6 本章小結(jié)
第五章 預(yù)測結(jié)果分析
    5.1 交通數(shù)據(jù)來源
    5.2 交通流時空特性分析
    5.3 模型參數(shù)確定
        5.3.1 DFT交通流數(shù)據(jù)分解
        5.3.2 基于距離加權(quán)的KNN空間相關(guān)性篩選
        5.3.3 基于正交試驗設(shè)計的LSTM模型參數(shù)優(yōu)化
    5.4 預(yù)測結(jié)果及分析
        5.4.1 參數(shù)優(yōu)化結(jié)果分析
        5.4.2 模型對比分析
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻
攻讀學位期間取得的研究成果
致謝



本文編號：3907680