在全球氣候變暖、能源短缺的環(huán)境下,城市交通也逐漸向綠色低碳的方向發(fā)展,電單車便是其中之一,并在近些年呈現出蓬勃的發(fā)展態(tài)勢。但隨著電單車社會保有量的急劇增長,也逐漸暴露出了一些“管理難”的問題,比如影響交通秩序、車輛頻繁被盜、難以跟蹤管理等等。因此,從海量的電單車數據中提取有效信息,構建出智能化的“電單車車聯網”,成為解決上述問題的一種有益的技術手段。本文即在長期參與“電單車智能平臺”的研發(fā)工作基礎上,利用現實場景中的海量電單車數據,借助深度神經網絡的研究技術,用于準確預測電單車行程時間,從而幫助用戶更合理地規(guī)劃電單車行程。首先,本文分別參考了與電單車、行程時間預測相關的國內外研究,并對其中的關鍵技術模型進行分析。其次,針對深度神經網絡的主要技術,從基本理論與實現方法的角度加深了解。接著,介紹了電單車行程數據及其預處理方式,具體的包括數據獲取、數據清洗以及數據特征選取等。然后,分層設計出端到端的、多因素多任務機制的深度神經網絡預測模型,并確定相應的誤差評價標準。最后,通過反復訓練、測試的實驗過程,得到預測模型實驗結果,并從橫向、縱向進行對比分析,證明本文模型的科學性和有效性。特別的,本文...

【文章頁數】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀
        1.2.1 電單車的相關研究
        1.2.2 行程時間預測的相關研究
    1.3 本文研究內容
    1.4 本文組織結構
2 深度神經網絡的基本理論與實現方法
    2.1 深度神經網絡基本理論
        2.1.1 深度神經網絡發(fā)展歷程
        2.1.2 卷積神經網絡CNN
        2.1.3 循環(huán)神經網絡RNN
    2.2 深度神經網絡實現方法
        2.2.1 網絡優(yōu)化方法
        2.2.2 常用軟硬件工具
    2.3 本章小結
3 電單車行程數據的預處理
    3.1 數據介紹與分析
        3.1.1 數據來源
        3.1.2 數據存儲結構分析
    3.2 數據預處理
        3.2.0 數據獲取
        3.2.1 數據清洗
        3.2.2 數據轉化
    3.3 本章小結
4 基于多因素多任務的電單車行程時間預測模型設計
    4.1 多因素多任務模型的分層設計
        4.1.1 時空特征層
        4.1.2 多因素層
        4.1.3 多任務層
    4.2 模型的誤差評價標準
    4.3 本章小結
5 預測模型的實驗結果與分析
    5.1 實驗環(huán)境與實驗數據
    5.2 實驗超參數的設定
    5.3 端到端實驗過程
        5.3.1 訓練階段
        5.3.2 測試階段
    5.4 預測模型實驗結果
        5.4.1 模型分層縱向對比
        5.4.2 不同模型橫向對比
    5.5 本章小結
6 總結與展望
    6.1 全文總結
    6.2 研究展望
參考文獻
致謝



本文編號：3966758