在社會(huì)飛速發(fā)展、汽車(chē)等交通工具大范圍普及的時(shí)代背景下,城市交通路網(wǎng)變得日益復(fù)雜化、多元化,因此對(duì)城市交通的承載能力也有了進(jìn)一步的需求。人們?cè)诔鲂械耐瑫r(shí)逐漸更為關(guān)注通行的時(shí)間和效率,精準(zhǔn)的旅行時(shí)間不僅可以?xún)?yōu)化居民出行路線,減少不必要的出行擁堵時(shí)間,還能夠減少繁忙路段的交通流量,避免交通堵塞,緩解交通壓力。因而城市短時(shí)交通旅行時(shí)間預(yù)測(cè)問(wèn)題的研究對(duì)于改善居民生活和城市交通都具有重要的意義和研究?jī)r(jià)值�，F(xiàn)階段對(duì)于短時(shí)交通旅行時(shí)間預(yù)測(cè)問(wèn)題的研究,主要分為樸素方法,參數(shù)方法,非參數(shù)方法和混合方法四類(lèi)。樸素方法如歷史平均算法(HA),計(jì)算復(fù)雜度低,易于部署,然而正是因?yàn)槿狈?fù)雜計(jì)算,樸素方法通常存在預(yù)測(cè)結(jié)果精度不高的問(wèn)題;參數(shù)方法是指方法模型結(jié)構(gòu)已被預(yù)先定義,而模型參數(shù)數(shù)值需要在實(shí)驗(yàn)中計(jì)算得到。這類(lèi)方法主要基于時(shí)間序列分析,包括自回歸滑動(dòng)平均(ARMA)模型,差分自回歸滑動(dòng)平均(ARIMA)模型和時(shí)空差分自回歸滑動(dòng)平均(STARIMA)模型。這類(lèi)方法的特點(diǎn)是根據(jù)歷史通行時(shí)間序列,通過(guò)滑動(dòng)平均、自回歸等運(yùn)算來(lái)預(yù)測(cè)下一時(shí)間片段中的路段通行時(shí)間,并沒(méi)有考慮到交通數(shù)據(jù)的空間特征和其他路段對(duì)目標(biāo)路段旅行時(shí)間的影響;非參數(shù)方法是指模型結(jié)構(gòu)及其參數(shù)均需要在訓(xùn)練中確定,又分為基于模型的方法和基于記憶的方法兩類(lèi)。在基于模型的方法中,歷史數(shù)據(jù)被用來(lái)構(gòu)建模型結(jié)構(gòu),一旦模型結(jié)構(gòu)得以確定將不再需要?dú)v史數(shù)據(jù)。這類(lèi)方法主要有人工神經(jīng)網(wǎng)絡(luò)(ANN),隨機(jī)森林(RF)和支持向量機(jī)(SVM)。而基于記憶的方法則需要維護(hù)一個(gè)額外的數(shù)據(jù)庫(kù)來(lái)存儲(chǔ)歷史數(shù)據(jù),因?yàn)闅v史數(shù)據(jù)不僅被用在構(gòu)建模型結(jié)構(gòu)的階段,也需要被用于預(yù)測(cè)階段。典型方法有k近鄰(kNN)算法。非參數(shù)方法更加充分地挖掘了數(shù)據(jù)特征,預(yù)測(cè)精度較高,但是同樣存在特征單一,未考慮城市交通時(shí)空特征和時(shí)移特征的缺點(diǎn)。短時(shí)旅行時(shí)間預(yù)測(cè)問(wèn)題是智能交通系統(tǒng)(ITS)的重要研究課題之一,一方面城市交通數(shù)據(jù)每天在以指數(shù)級(jí)的速度在增長(zhǎng),為旅行時(shí)間預(yù)測(cè)的深度學(xué)習(xí)方法提供了數(shù)據(jù)基礎(chǔ);另一方面,計(jì)算機(jī)硬件能力也得到了極大的提升,多核處理器逐漸普及,GPU并行計(jì)算技術(shù)愈發(fā)成熟,也為旅行時(shí)間預(yù)測(cè)問(wèn)題的研究提供了硬件保障。本文介紹了一種基于交通數(shù)據(jù)時(shí)空和時(shí)移特征,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)進(jìn)行旅行時(shí)間預(yù)測(cè)的混合預(yù)測(cè)模型。本文中,我們將首先介紹我們所提出的時(shí)移特征的定義,然后提出根據(jù)KL-散度(KL-divergence)和城市路網(wǎng)結(jié)構(gòu)過(guò)濾并提取目標(biāo)路段的相關(guān)路段的方法,篩選出當(dāng)前時(shí)間段內(nèi)對(duì)目標(biāo)路段的旅行時(shí)間有影響的上游相關(guān)路段。然后根據(jù)相關(guān)路段構(gòu)建時(shí)空時(shí)移特征矩陣。最后通過(guò)CNN提取特征并用LSTM進(jìn)行旅行時(shí)間預(yù)測(cè)。我們的方法在現(xiàn)有方法的基礎(chǔ)上作出了很大的進(jìn)步,一方面針對(duì)城市交通數(shù)據(jù)提出了時(shí)移特征,并結(jié)合空間特征進(jìn)行了有效建模,另一方面我們的CNN-LSTM模型能夠有效處理輸入矩陣,并具有對(duì)長(zhǎng)期數(shù)據(jù)的記憶能力。我們的方法通過(guò)真實(shí)數(shù)據(jù)集進(jìn)行了驗(yàn)證,實(shí)驗(yàn)結(jié)果表明我們的模型效率與現(xiàn)有方法相比有明顯提高。本文的貢獻(xiàn)主要有以下幾點(diǎn):在短時(shí)旅行時(shí)間預(yù)測(cè)問(wèn)題的研究中,首次提出了結(jié)合CNN和LSTM的深度預(yù)測(cè)架構(gòu);通過(guò)KL-散度和城市路網(wǎng)結(jié)構(gòu)篩選目標(biāo)路段的相關(guān)路段,在減少冗余數(shù)據(jù)的同時(shí)提高了預(yù)測(cè)精度;我們首次提出了相關(guān)路段間的旅行時(shí)間影響隨時(shí)間空間移動(dòng)的概念(后文簡(jiǎn)稱(chēng)為時(shí)移信息或時(shí)移特征),并將時(shí)移特征與時(shí)空特征相結(jié)合用于預(yù)測(cè)。我們?cè)谡鎸?shí)交通數(shù)據(jù)集中進(jìn)行了多次實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明我們的模型在準(zhǔn)確率和效率方面均高于目前最新方法,具有在實(shí)際中的應(yīng)用價(jià)值,并可以在相關(guān)領(lǐng)域內(nèi)遷移應(yīng)用。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：U491
【部分圖文】：

３．１相關(guān)定義逡逑在進(jìn)行相關(guān)定義之前，我們首先需要介紹城市路網(wǎng)的結(jié)構(gòu)及本文中的用詞規(guī)范。逡逑城市道路結(jié)構(gòu)和旅行時(shí)間分布的樣例如圖３．１所示。逡逑Ｃ５逡逑１ＺＤ逡逑Ｉ逡逑Ｒ３邋ｉ邋Ｔ３逡逑邐！邋ＵＺＤ邐邐逡逑門(mén)邐門(mén)Ｉ邋ｅ６邐ｎ邐ｒｎ逡逑ｔｉ邐ＬＪ邋］邐ＬＪ邐Ｔ２邐［＿逡逑Ｃｌ邐Ｃ２邋Ｉ邐Ｐ２邐Ｃ３邐Ｃ４逡逑邐…邐二二：二二邋士逡逑￣Ｒ１邐Ｉ邋１邋Ｉ邐Ｒ２￣逡逑（，邐Ｉ逡逑Ｉ逡逑Ｉ逡逑Ｉ邋Ｐ３逡逑Ｒ４邐Ｔ４邋］逡逑岕逡逑Ｉ逡逑Ｉ邋Ｉ逡逑Ｃ８逡逑圖３．１城市道路結(jié)構(gòu)及旅行時(shí)間分布示例逡逑圖中淺灰色的矩形表示部署在每個(gè)卡口上的一組或幾組攝像頭，用以采集通行逡逑車(chē)輛的圖像。相鄰兩個(gè)卡口之間的道路我們稱(chēng)之為路段，圖中有四條路段，假定逡逑路段＆為我們需要預(yù)測(cè)其旅行時(shí)間的目標(biāo)路段，則路段Ａ、／？３、／？４為目標(biāo)路段／？２的逡逑１５逡逑

集合或連續(xù)通過(guò)的卡口集合，記為／＼邋＝邋Ｒｉ邋—邋Ｒ２或／＼邋＝邋ｑ邋—邋ｃ２邋ｃ３邋—邋ｃ４。兩個(gè)卡逡逑口之間的符號(hào)ｒ￡表示該路段某一時(shí)間槽內(nèi)的歷史通行時(shí)間，其計(jì)算過(guò)程將在后文中逡逑描述。特別地，圖３．１中只考慮了車(chē)輛向右的行駛方向，對(duì)于不同行駛方向的處理逡逑在旅行時(shí)間預(yù)測(cè)中類(lèi)似，因此不做贅述。根據(jù)上述示例，我們給出以下定義：逡逑定義１卡口逡逑在智能交通系統(tǒng)中，有用于采集車(chē)輛通過(guò)記錄的圖像采集設(shè)備，見(jiàn)圖３．１。對(duì)逡逑每一個(gè)路口的每一個(gè)方向，都會(huì)有一組或多組設(shè)備對(duì)所有的車(chē)輛通行記錄進(jìn)行采逡逑集，我們將這樣一組設(shè)備稱(chēng)為卡口，每組卡口都是一個(gè)數(shù)據(jù)采集單元，且每個(gè)卡逡逑口都有其特定的標(biāo)識(shí)碼，用表示，其中ｉ為０到ｎ之間的整數(shù)，ｎ為卡口總數(shù)。逡逑定義邋２邋車(chē)輛ｆｌｊａｌＥ邋（Ｔｒａｊｅｃｔｏｒｙ）逡逑每一輛車(chē)的車(chē)輛軌跡Ｐｆｃ定義為該車(chē)按照時(shí)間順序依次經(jīng)過(guò)的連續(xù)路段集合，逡逑形式化定義為：逡逑Ｐｆｃ邋＝邋｛（只１，亡１），（尺２，亡２），…，（尺ｓ－ｌ，（Ｓ－１），（只Ｓ，亡Ｓ）｝逡逑其中

總體布局的需要，建設(shè)形成多種不同的城市路網(wǎng)結(jié)構(gòu)模式。在我們的實(shí)驗(yàn)中所使逡逑用的數(shù)據(jù)是中國(guó)某市的交通卡口數(shù)據(jù)，其主要路網(wǎng)結(jié)構(gòu)為網(wǎng)格式，即傳統(tǒng)的棋盤(pán)逡逑式道路網(wǎng)，如圖３．３所示。逡逑艇旅館邐ＪＬ邐１逡逑ＩＩ邐Ｔｒ邐華灌逡逑■邋Ｌｇ．邐丨丨圓逡逑—＾邐ＩＩ邐劍■＇區(qū)逡逑＆靡ｕ邐ｉ邐』居？五』噸逡逑＿＿V邐＾逡逑一邐？Ｊ？＂＂１－Ｔ？－邐ＩＩ邐＾逡逑永盤(pán)＿中心丨榮華大店逡逑ｍ〖務(wù)酒店邐《邐小區(qū)逡逑－ｎ邐ＩＩ邐言擇街逡逑；ｅ金ａ大ｖ’邋sE曝園邐ｗｍ逡逑＂＂＂Ｈ邐N邋ｓｍｍｍ邋＇邐＊？g？■密府逡逑善１＾邐Ｌ逡逑圖３．３網(wǎng)格式城市路網(wǎng)結(jié)構(gòu)逡逑我們根據(jù)采集到的該城市的交通數(shù)據(jù)以及鄰接道路信息，描繪出了該市的城市路逡逑網(wǎng)結(jié)構(gòu)圖，圖３．３展示了部分樣例。圖中藍(lán)色線除了表示路網(wǎng)之外，還展示了邋３個(gè)逡逑月中相關(guān)道路的車(chē)輛通行軌跡。根據(jù)城市路網(wǎng)結(jié)構(gòu)，我們可以獲得預(yù)測(cè)目標(biāo)路段逡逑１８逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 陳宇峰;向鄭濤;陳利;潘正清;;智能交通系統(tǒng)中的交通信息采集技術(shù)研究進(jìn)展[J];湖北汽車(chē)工業(yè)學(xué)院學(xué)報(bào);2010年02期

2 高慧;趙建玉;賈磊;;短時(shí)交通流預(yù)測(cè)方法綜述[J];濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年01期

3 楊兆升,胡堅(jiān)明;中國(guó)智能公共交通系統(tǒng)框架與實(shí)施方案研究[J];交通運(yùn)輸系統(tǒng)工程與信息;2001年01期

相關(guān)會(huì)議論文 前1條

1 桑麗;范青藍(lán);郭艷梅;秦玲;吳鵬;;旅行時(shí)間數(shù)據(jù)采集及預(yù)測(cè)技術(shù)綜述[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

相關(guān)碩士學(xué)位論文 前1條

1 于東海;短時(shí)交通流預(yù)測(cè)問(wèn)題的研究[D];山東大學(xué);2017年

本文編號(hào)：2831555