本文從宏觀視角對城市道路交通的日均速度進行了預測推演研究。研究對象是集計的基于網(wǎng)約車大數(shù)據(jù)的城市宏觀行程速度,該數(shù)據(jù)是北京市六環(huán)內的城市道路日均速度,宏觀意義上具有較高的研究價值。目前在交通流預測領域有很多研究方法,但是綜合來看,研究的重點都是局部的交通狀態(tài),缺乏對交通流宏觀狀態(tài)的研究。本文以城市宏觀行程速度為研究基礎,將其看作一個時間序列并進行分解,發(fā)現(xiàn)數(shù)據(jù)中存在著有趣的季節(jié)性特征和趨勢特征,基于此推演分析出了影響城市宏觀行程速度的外部因素。隨后,本文引入了時間序列模型的不同算法來建立不同的宏觀預測模型。一方面,在時間序列模型的經典算法中,本文詳細地研究了自回歸移動平均模型(Auto-Regressive Intergrated Moving Average,ARIMA),為提高模型的信息捕捉能力,創(chuàng)造性地將時間序列分解過程與動態(tài)回歸模型相結合,提出了 STL-ARIMAX模型,該模型能夠在捕捉數(shù)據(jù)中更多信息的同時,提高預測精度。另一方面,在時間序列模型的神經網(wǎng)絡算法中,本文使用了深度學習中的長短時記憶神經網(wǎng)絡模型(Long Short-Term Memory Network,LST...

【文章頁數(shù)】：104 頁

【學位級別】：碩士

【部分圖文】：

圖２－２?８８２個數(shù)據(jù)的時間圖中車速大幅增加的時間點??Ｆｉｇｕｒｅ?２－２?Ｔｉｍｅ?ｐｏｉｎｔｓ?ｏｆ?ｉｎｃｒｅａｓｅｄ?ｓｐｅｅｄ?ｉｎ?ｔｉｍｅ?ｐｌｏｔ?ｏｆ?８８２?ｄａｔａ??

?２０１７－１－２７??曰期??圖２－１?８８２個數(shù)據(jù)的時間圖??Ｆｉｇｕｒｅ?２－１?Ｔｉｍｅ?ｐｌｏｔ?ｏｆ?８８２?ｄａｔａ??總體來看，這張時間曲線顯示出了一些有趣的特征，在以下六個時間段全市??機動車平均運行速度大幅增加：??（１）?２０１４年１１月，北京召開ＡＰＥＣ會....

圖2一城市宏觀行程速度數(shù)據(jù)小提琴圖

間序列ＳＴＬ分解??時間序列模式介紹??間序列可以表現(xiàn)出很多種模式，將一個時間序列分成幾個部分對我們分列的特征是很有用的。時間序列可以分解為趨勢（Ｔｒｅｎｄ）、季節(jié)性（Ｓｅａｓｏｎａｌ）、??ｙｃｌｅ）這三種模式。??趨勢??據(jù)中顯示出了長期的增長或減少時，這就是一種趨勢特征，它....

圖24數(shù)據(jù)STL分解結果

?數(shù)據(jù)特征及影響因素變量分析???（３）?經典分解方法假設季節(jié)性成分在每年都是重復的，對于一些較長的序列，??其季節(jié)性成分會隨著時間的變化而變化，所以該假設并不普適。??（４）?時間序列中有一小部分周期的值可能由于外界的影響而出現(xiàn)異常，對于這??些異常值，經典方法無法很好地捕捉信....

圖２－４中的第三排是時間序列的季節(jié)性組分，可以看出該時間序列具有很明顯??的季節(jié)性，且季節(jié)性是以周為單位體現(xiàn)出來的

?２０１７－１－１８??日期??圖２－５?２０１６年７月２０號北京強降雨天氣導致的趨勢下滑??Ｆｉｇｕｒｅ?２－５?Ｔｈｅ?ｄｏｗｎｗａｒｄ?ｔｒｅｎｄ?ｃａｕｓｅｄ?ｂｙ?ｔｈｅ?ｌａｒｇｅ?ｎｕｍｂｅｒ?ｏｆ?ｓｈａｒｅｄ?ｂｉｃｙｃｌｅｓ??圖２－４中的第三排是時間序列的季....

本文編號：3911064