隨著交通行業(yè)不斷發(fā)展,交通數(shù)據(jù)快速增長,學(xué)者們希望能夠利用這些數(shù)據(jù)為城市交通服務(wù),因而智能交通系統(tǒng)成為未來交通系統(tǒng)的研究方向。而短時(shí)交通流預(yù)測作為智能交通領(lǐng)域的研究熱點(diǎn),對(duì)于交通疏導(dǎo)和路徑規(guī)劃等具有重要意義。為研究短時(shí)交通流量預(yù)測問題,本文基于深度學(xué)習(xí)研究了多模式時(shí)空融合的短時(shí)交通流量預(yù)測模型。該模型使用3個(gè)組件分別建模交通流變化的近期、日周期、周周期模式特性,每個(gè)組件同時(shí)結(jié)合圖卷積計(jì)算和循環(huán)神經(jīng)網(wǎng)絡(luò)來同時(shí)捕獲交通流數(shù)據(jù)的時(shí)空特性。另外,考慮到交通數(shù)據(jù)中存在的缺失現(xiàn)象會(huì)影響短時(shí)交通流量預(yù)測性能,文中利用雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)研究交通流缺失數(shù)據(jù)填補(bǔ)策略,進(jìn)一步深化對(duì)短時(shí)交通流量預(yù)測的研究。本文的主要研究工作和貢獻(xiàn)如下:1.本文從交通流變化的時(shí)空特性出發(fā),提出了一種基于深度學(xué)習(xí)的短時(shí)交通流量預(yù)測方法。首先,針對(duì)實(shí)際路網(wǎng)特性,以圖建模路網(wǎng)拓?fù)浒l(fā)現(xiàn)不同位置間的相關(guān)性。其次,針對(duì)交通流的時(shí)空相關(guān)性,考慮到圖卷積網(wǎng)絡(luò)處理空間圖結(jié)構(gòu)數(shù)據(jù)的能力以及循環(huán)神經(jīng)網(wǎng)絡(luò)描述時(shí)序依賴性的優(yōu)勢,將圖卷積計(jì)算引入循環(huán)網(wǎng)絡(luò)記憶單元,構(gòu)建時(shí)空?qǐng)D卷積循環(huán)神經(jīng)網(wǎng)絡(luò)來直接提取時(shí)空關(guān)聯(lián)特征。最后,針對(duì)交通流的多模式特性,基于圖卷積循...

【文章頁數(shù)】：82 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 研究現(xiàn)狀
        1.2.1 短時(shí)交通流量預(yù)測的發(fā)展現(xiàn)狀
        1.2.2 交通缺失數(shù)據(jù)填補(bǔ)的發(fā)展現(xiàn)狀
    1.3 主要內(nèi)容
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 相關(guān)技術(shù)和理論基礎(chǔ)
    2.1 短時(shí)交通流量預(yù)測理論基礎(chǔ)
    2.2 常用的短時(shí)交通流量預(yù)測模型
        2.2.1 時(shí)間序列模型
        2.2.2 支持向量機(jī)模型
        2.2.3 神經(jīng)網(wǎng)絡(luò)模型
        2.2.4 組合模型
    2.3 常用的交通缺失數(shù)據(jù)填補(bǔ)方法
        2.3.1 均值填補(bǔ)法
        2.3.2 回歸填補(bǔ)法
        2.3.3 K最近鄰填補(bǔ)法
        2.3.4 指數(shù)平滑填補(bǔ)法
        2.3.5 神經(jīng)網(wǎng)絡(luò)填補(bǔ)法
    2.4 本章小結(jié)
第3章 基于圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測
    3.1 引言
    3.2 相關(guān)定義
    3.3 模型細(xì)節(jié)設(shè)計(jì)
        3.3.1 整體框架
        3.3.2 時(shí)空?qǐng)D卷積循環(huán)神經(jīng)網(wǎng)絡(luò)SGN
        3.3.3 多模式時(shí)空融合模型MSGN
        3.3.4 算法設(shè)計(jì)
    3.4 本章小結(jié)
第4章 面向短時(shí)交通流量預(yù)測的缺失數(shù)據(jù)填補(bǔ)模型
    4.1 引言
    4.2 相關(guān)定義
    4.3 模型的細(xì)節(jié)設(shè)計(jì)
        4.3.1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)理論
        4.3.2 整體框架
        4.3.3 基于BGRU的交通缺失數(shù)據(jù)填補(bǔ)方法
        4.3.4 算法設(shè)計(jì)
    4.4 本章小結(jié)
第5章 實(shí)驗(yàn)方案及結(jié)果分析
    5.1 數(shù)據(jù)集
    5.2 短時(shí)交通流量預(yù)測模型驗(yàn)證
        5.2.1 評(píng)估準(zhǔn)則
        5.2.2 算法實(shí)現(xiàn)過程
        5.2.3 算法評(píng)估與對(duì)比
    5.3 缺失數(shù)據(jù)填補(bǔ)模型驗(yàn)證
        5.3.1 評(píng)估準(zhǔn)則
        5.3.2 算法實(shí)現(xiàn)過程
        5.3.3 算法評(píng)估與對(duì)比
    5.4 本章小結(jié)
第6章 總結(jié)及未來工作
    6.1 研究工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：4013384