近幾年,我國城市交通路網(wǎng)的基礎(chǔ)設(shè)施建設(shè)發(fā)展迅猛。但是,隨著經(jīng)濟的飛速發(fā)展,道路的增建措施遠(yuǎn)遠(yuǎn)不能夠滿足不斷增長的出行需要。因此,許多大城市交通路網(wǎng)經(jīng)常出現(xiàn)交通擁堵,甚至面臨大面積癱瘓的災(zāi)難。交通流預(yù)測是智能交通系統(tǒng)的重要研究領(lǐng)域,準(zhǔn)確的交通流預(yù)測能夠?qū)崿F(xiàn)智能交通系統(tǒng)中的交通信號控制、路徑誘導(dǎo)、事故檢測等應(yīng)用,是智能交通領(lǐng)域非常重要的基礎(chǔ)理論。通過對交通流分析和預(yù)測,可以有效地幫助城市進(jìn)行智能交通的誘導(dǎo)工作,為人們的出行提供方便。因子分解機作為一種基于矩陣分解的機器學(xué)習(xí)方法,能夠較好地解決了非線性、高維度、高稀疏等實際問題,是復(fù)雜非線性科學(xué)和人工智能領(lǐng)域的前沿技術(shù),非常適合解決復(fù)雜城市路網(wǎng)的交通流預(yù)測問題,實現(xiàn)城市道路交通中的智能化控制,有效緩解城市道路交通的壓力。本文以基于因子分解機的交通流預(yù)測為題,在分析城市路網(wǎng)結(jié)構(gòu)和交通流數(shù)據(jù)的基礎(chǔ)上,對城市路網(wǎng)的交通流預(yù)測方法展開了深入研究和探討。并根據(jù)實際的交通流數(shù)據(jù)構(gòu)建方法模型,具有實際應(yīng)用的可行性。本文的主要工作如下:（1）通過對交通流數(shù)據(jù)的分析和對錯誤及缺失數(shù)據(jù)的識別和處理,減少噪聲對預(yù)測過程的影響,并為下一步的交通流預(yù)測模型的建立奠定基... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

北京某日早高峰時段的實時路況目前，我國投入大量人力物力去改善這些現(xiàn)象

共享單車用戶數(shù)量及增速為了優(yōu)化交通路網(wǎng)，緩解交通擁堵，保證交通出行的安全和穩(wěn)定[2]

連續(xù)兩周交通流量變化曲線

【參考文獻(xiàn)】：
期刊論文
[1]基于ARIMA和灰色模型加權(quán)組合的短期交通流預(yù)測[J]. 談苗苗,成孝剛,周凱,李海波.  計算機技術(shù)與發(fā)展. 2016(11)
[2]中國智能交通系統(tǒng)發(fā)展迎來新機遇[J]. 王笑京,程世東.  中國公路. 2016(17)
[3]對目前我國城市交通管理智能化的問題與對策研究[J]. 高亮.  新經(jīng)濟. 2016(14)
[4]我國城市道路交通規(guī)劃現(xiàn)狀與發(fā)展策略初探[J]. 劉麗薇.  中國新技術(shù)新產(chǎn)品. 2016(07)
[5]基于粒計算的交通流參數(shù)預(yù)測[J]. 丁宏飛,劉博,羅霞,李演洪.  交通運輸系統(tǒng)工程與信息. 2015(06)
[6]基于小波分析組合模型的隨機交通流預(yù)測系統(tǒng)[J]. 鐘秋燕.  激光雜志. 2015(11)
[7]基于自動編碼器的短文本特征提取及聚類研究[J]. 劉勘,袁蘊英.  北京大學(xué)學(xué)報(自然科學(xué)版). 2015(02)
[8]基于時空特性的短時交通流預(yù)測模型[J]. 邱敦國,蘭時勇,楊紅雨.  華南理工大學(xué)學(xué)報(自然科學(xué)版). 2014(07)
[9]基于時空依賴性的區(qū)域路網(wǎng)短時交通流預(yù)測模型[J]. 常剛,張毅,姚丹亞.  清華大學(xué)學(xué)報(自然科學(xué)版). 2013(02)
[10]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測[J]. 王成寶,任傳祥,尹唱唱,陳夢.  山東交通科技. 2012(05)

博士論文
[1]連續(xù)交通流狀態(tài)的離散特性分析與短時預(yù)測[D]. 史國剛.東南大學(xué) 2016
[2]基于相似性的交通流分析方法[D]. 李星毅.北京交通大學(xué) 2010

碩士論文
[1]基于稀疏自動編碼器和邊緣降噪自動編碼器的深度學(xué)習(xí)算法研究[D]. 鄧俊鋒.武漢科技大學(xué) 2016
[2]基于混沌理論和數(shù)據(jù)融合的短時交通流預(yù)測[D]. 蔣肖.重慶郵電大學(xué) 2016
[3]基于支持向量回歸的短時交通流預(yù)測方法研究與應(yīng)用[D]. 武瓊.長安大學(xué) 2016
[4]基于深度學(xué)習(xí)的路網(wǎng)短時交通流預(yù)測[D]. 焦琴琴.長安大學(xué) 2016
[5]基于車聯(lián)網(wǎng)的短時交通流預(yù)測算法研究[D]. 林冬霞.華南理工大學(xué) 2015
[6]基于指數(shù)平滑法和ARIMA的交通量組合預(yù)測模型應(yīng)用研究[D]. 魏杏.鄭州大學(xué) 2014
[7]粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測中的應(yīng)用[D]. 閆紀(jì)如.浙江工業(yè)大學(xué) 2013
[8]基于因子分解機的社交網(wǎng)絡(luò)關(guān)系推薦研究[D]. 余秋宏.北京郵電大學(xué) 2013
[9]基于卡爾曼濾波和小波神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測研究[D]. 陳浩.蘭州交通大學(xué) 2011



本文編號：3082786