深度高斯過程作為近年來提出的一種新的深度學習方法,由于其強大的學習能力和對非線性數(shù)據(jù)的隱含細節(jié)特征的刻畫,被廣泛運用于非監(jiān)督學習領域。與傳統(tǒng)機器學習方法或深度學習方法不同,深度高斯過程從單個淺層高斯過程出發(fā),通過使用變分推斷的方法,解決了求解最大后驗概率分布時的非解析解困境,從而能夠在給出預測值的同時,還能從概率意義上刻畫預測的不確定性,這種特性在時間序列預測領域中,尤其是在交通流預測中非常具有現(xiàn)實的意義。本文首次將深度高斯過程運用于交通流預測當中,主要工作如下:(1)針對交通流數(shù)據(jù)的高噪聲特性,進行了大量的數(shù)據(jù)預處理工作,這些工作包括:通過對于各個缺失值填充方法的對比,選擇了前向填充作為本文的填充方式;針對數(shù)據(jù)中的高噪聲情況,對比了幾個常用的濾波算法,并選擇了局部線性加權回歸濾波作為最終的去噪手段。(2)搭建了三層的由不同核函數(shù)組成的深度高斯網(wǎng)絡,對實際數(shù)據(jù)集中的長期交通流進行了預測,并取得了良好的效果。(3)將深度高斯過程與淺層高斯過程在縱向維度上進行對比,實驗證明深度高斯過程在非線性特征擬合程度及預測精度方面,都表現(xiàn)出相比于傳統(tǒng)淺層高斯更好的效果,尤其是針對交通流的波動,深度高斯... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：95 頁

【學位級別】：碩士

【部分圖文】：

智能交通系統(tǒng)組成部分Figure1-1ComponentsofIntelligentTransportationSystem

圖２－２?ＡＲＩＭＡ模型的建模步驟??Ｆｉｇｕｒｅ?２－２?Ｓｔｅｐｓ?ｏｆ?ｍｏｄｅｌｉｎｇ?ＡＲＩＭＡ??

圖２－３典型的多層ＢＰ神經(jīng)網(wǎng)絡??Ｆｉｇｕｒｅ?２－３?Ｔｙｐｉｃａｌ?ｍｕｌｔｉｌａｙｅｒ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??如圖２－３所示，圖中該ＢＰ神經(jīng)網(wǎng)絡由三個層組成：最左邊的一層稱為輸入層??（ＩｎｐｕｔＬａｙｅｒ），最右的一層為輸出層（ＯｕｔｐｕｔＬａｙｅｒ），中間所有神經(jīng)元組成的層叫??做隱藏層（ＨｉｄｄｅｎＬａｙｅｒ）。每個藍色圓圈代表一個輸入值，帶有“＋１”標識的圓圈??為偏置項。??在向量運算空間中，若用表示神經(jīng)網(wǎng)絡的權值參數(shù)，則該神經(jīng)元的參數(shù)??為＿４＝＾（＇６（１），％６１，代表著隱含層的權值向量＃＇６（１）和輸出層的權值??１８??

【參考文獻】：
期刊論文
[1]基于小波神經(jīng)網(wǎng)絡模型的短時交通流低頻數(shù)據(jù)的預測[J]. 丁肅然.  技術與市場. 2017(11)
[2]基于馬爾可夫時變模型的流量數(shù)據(jù)挖掘[J]. 葉德忠,巫忠正,蔣勇.  軟件. 2017(09)
[3]基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法研究[J]. 程山英.  計算機測量與控制. 2017(08)
[4]短時交通流量的變結構預測模型[J]. 談堃,殷禮勝,柴良勇.  自動化技術與應用. 2017(07)
[5]基于ARMA和卡爾曼濾波的短時交通預測[J]. 楊高飛,徐睿,秦鳴,鄭凱俐,張兵.  鄭州大學學報(工學版). 2017(02)
[6]基于ARIMA和小波神經(jīng)網(wǎng)絡組合模型的交通流預測[J]. 成云,成孝剛,談苗苗,周凱,李海波.  計算機技術與發(fā)展. 2017(01)
[7]高斯過程回歸短時交通流預測方法[J]. 康軍,段宗濤,唐蕾,劉研,王超.  交通運輸系統(tǒng)工程與信息. 2015(04)
[8]相空間重構的卡爾曼濾波交通流預測研究[J]. 錢偉,楊慧慧,孫玉娟.  計算機工程與應用. 2016(14)
[9]高斯過程回歸方法綜述[J]. 何志昆,劉光斌,趙曦晶,王明昊.  控制與決策. 2013(08)
[10]基于混沌分析的道路網(wǎng)交通流短時預測[J]. 董春嬌,邵春福,李娟,孟夢.  系統(tǒng)工程學報. 2011(03)

博士論文
[1]基于馬爾可夫鏈的道路交通事故預測研究及應用[D]. 趙玲.長安大學 2013
[2]基于實時數(shù)據(jù)的道路網(wǎng)短時交通流預測理論與方法研究[D]. 姚智勝.北京交通大學 2007
[3]先進的交通管理系統(tǒng)關鍵理論與方法研究[D]. 楊慶芳.吉林大學 2004
[4]基于集成神經(jīng)網(wǎng)絡的城市道路交通流量融合預測研究[D]. 李存軍.西南交通大學 2004
[5]貝葉斯學習理論及其應用研究[D]. 宮秀軍.中國科學院研究生院（計算技術研究所） 2002

碩士論文
[1]Hadoop環(huán)境下基于神經(jīng)網(wǎng)絡的交通流預測方法研究[D]. 王春安.北京交通大學 2017
[2]基于改進狼群算法的小波神經(jīng)網(wǎng)絡短時交通流預測[D]. 齊璐.西南交通大學 2017
[3]基于馬爾可夫鏈組合模型的交通流量長時預測[D]. 謝凱兵.北京交通大學 2017
[4]基于神經(jīng)網(wǎng)絡的城市交通流量預測模型研究[D]. 張佳寧.廣東工業(yè)大學 2016
[5]基于高斯過程回歸的鋰電池數(shù)據(jù)處理[D]. 葉婧.北京交通大學 2016
[6]基于二型模糊集合理論的交通流長時預測方法研究[D]. 江超陽.北京交通大學 2016
[7]基于短—長期模型組合的交通流預測方法[D]. 彭棟棟.山東理工大學 2012
[8]基于高斯過程的pH中和過程控制研究[D]. 張惠澤.哈爾濱工業(yè)大學 2010
[9]交通流預測的分形理論與系統(tǒng)仿真[D]. 李健.長安大學 2010



本文編號：2898115