在城市發(fā)展的過程中,城市人口以及車輛數(shù)量的不斷增多,加劇了交通擁堵的局面,同時進(jìn)一步加重了環(huán)境污染。為了解決這些問題,政府大力建設(shè)公共交通系統(tǒng),推薦公交車作為人們首選的出行方式。然而在實際的生活中,實時交通情況、天氣情況、紅綠燈變化的時間以及公交車�？空军c的位置等因素都會影響到公交車的正常行駛。這些都會導(dǎo)致公交車到站的預(yù)測時間誤差較大,影響人們的正常出行。因此,實時公交到站預(yù)測的重要性愈加明顯,在國內(nèi)外都得到了較為廣泛的關(guān)注�，F(xiàn)實條件中,公交車不是單一的個體,它的行駛會受到其他因素的約束,在諸多因素中,道路交通情況對公交車的影響尤為重要�？紤]道路情況對公交車到站時間的影響,對完善公交到站時間預(yù)測模型有重要意義。首先,需要獲取公交車定位數(shù)據(jù),對數(shù)據(jù)進(jìn)行預(yù)處理。為了保證數(shù)據(jù)的可靠性以及準(zhǔn)確性,使用公交車載GPS設(shè)備的定位數(shù)據(jù)。然后篩選錯誤數(shù)據(jù),定義公交線路信息格式,構(gòu)建公交線路基本特征。其次,探究不同影響因素對公交車到站時間預(yù)測準(zhǔn)確度的影響。公交車在道路上沿規(guī)定的路線行駛時,實時交通情況、道路擁擠程度、紅綠燈變化的時間以及公交車�？空军c的位置等因素都會影響到公交車的正常行駛。將這些因素劃歸... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

RNN網(wǎng)絡(luò)結(jié)構(gòu)

1 tttS fUIWS（RNN 雖然解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不能學(xué)習(xí)歷史信息的問題，但是由于傳播[42]的過程中，通過隨機(jī)梯度下降算法（Stochastic Gradient Descent，]計算梯度的時候，會有梯度消失[45]的現(xiàn)象，這就導(dǎo)致當(dāng) RNN 循環(huán)層最初按時間展開的幾層參數(shù)無法更新，導(dǎo)致 RNN 并不能學(xué)習(xí)到當(dāng)前有時刻的信息，為了解決這個問題，長短時記憶循環(huán)網(wǎng)絡(luò)由此誕生。長短期記憶循環(huán)網(wǎng)絡(luò)長短期記憶循環(huán)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）[46]通過使來實現(xiàn)時間上的記憶功能，由此防止梯度消失，可以記憶很久之前的種記憶長時的歷史信息的模式和公交到站時間預(yù)測問題相吻合，因 LSTM 作為公交到站時間預(yù)測的基本模型。與 RNN 相同，LSTM 也是對同一個單元結(jié)構(gòu)在時間上進(jìn)行循環(huán)[47]，將間序列展開，可以得到如圖 2-2 所示的網(wǎng)絡(luò)結(jié)構(gòu)。

圖 2-3 LSTM 單元結(jié)構(gòu)Figure 2-3 LSTM unit structure使用門結(jié)構(gòu)來選擇信息是否通過，包含一個 sigmoid 神經(jīng)網(wǎng)出 0 到 1 之間的數(shù)值，描述每個部分有多少量可以通過：0息通過，1 代表允許任何信息通過。LSTM 包含三個門結(jié)構(gòu)（輸出門）以及一個信息處理結(jié)構(gòu)（隱藏層）。下面分別進(jìn)行介門作用于輸入信息tI ，決定什么樣的信息會被當(dāng)前單元結(jié)構(gòu)處理分：其一，sigmoid 函數(shù)決定什么值要進(jìn)行更新，輸出一個 0其二，tanh 函數(shù)進(jìn)行信息處理，輸出當(dāng)前時刻 LSTM 需要記憶新方式見式（2-2）和式（2-3），其中iW 和sW 為權(quán)重，ib 和 代表的含義為對上一時刻的輸出和當(dāng)前時刻的輸入進(jìn)行組合

【參考文獻(xiàn)】：
期刊論文
[1]TensorFlow平臺上基于LSTM神經(jīng)網(wǎng)絡(luò)的人體動作分類[J]. 楊煜,張煒.  智能計算機(jī)與應(yīng)用. 2017(05)
[2]基于word2vec和LSTM的飲食健康文本分類研究[J]. 趙明,杜會芳,董翠翠,陳長松.  農(nóng)業(yè)機(jī)械學(xué)報. 2017(10)
[3]基于MapReduce聚類和神經(jīng)網(wǎng)絡(luò)的公交車到站時間預(yù)測模型[J]. 謝芳,顧軍華,張素琪,張建.  計算機(jī)應(yīng)用. 2017(S1)
[4]小城市近期公交線網(wǎng)優(yōu)化調(diào)整技術(shù)[J]. 陳艷艷,郝世洋,王振報,楊萬凱.  交通科技與經(jīng)濟(jì). 2016(06)
[5]基于智能手機(jī)的公交車到站時間預(yù)測[J]. 張強.  數(shù)字技術(shù)與應(yīng)用. 2016(02)
[6]探究影響衛(wèi)星傳輸安全的因素及其應(yīng)對策略[J]. 劉婕.  黑龍江科技信息. 2015(22)
[7]國際交通信息化發(fā)展文獻(xiàn)回顧[J]. 宗剛,李騰海子.  中國交通信息化. 2015(04)
[8]基于時間分段的公交車到站時間預(yù)測模型研究[J]. 張強,張艷艷.  數(shù)字技術(shù)與應(yīng)用. 2014(11)
[9]基于模糊綜合評價法的大陸游客臺灣旅游體驗研究[J]. 劉勇.  江蘇建筑職業(yè)技術(shù)學(xué)院學(xué)報. 2014(03)
[10]公交到站時間預(yù)測研究現(xiàn)狀與發(fā)展趨勢[J]. 向紅艷,彭學(xué)文.  交通信息與安全. 2014(04)

碩士論文
[1]基于異構(gòu)信息的公交車到站時間預(yù)測研究[D]. 黃晶.北京工業(yè)大學(xué) 2017
[2]城市快速公交系統(tǒng)（BRT）服務(wù)水平評價研究[D]. 余芯璇.重慶交通大學(xué) 2017
[3]基于深度學(xué)習(xí)的智能對話問答系統(tǒng)研究[D]. 陳虹.廈門大學(xué) 2017
[4]基于大數(shù)據(jù)的山地城市路阻函數(shù)研究[D]. 于海勇.重慶交通大學(xué) 2016
[5]基于支持向量機(jī)回歸的傳染病預(yù)測系統(tǒng)建模[D]. 俞璐.中國科學(xué)技術(shù)大學(xué) 2015
[6]公交車到站時間預(yù)測模型與實證研究[D]. 計曉昕.北京交通大學(xué) 2015
[7]公交浮動車到達(dá)時間實時預(yù)測研究[D]. 賴云波.重慶大學(xué) 2011
[8]智能公交車輛到站時間預(yù)測研究[D]. 李福雙.北京交通大學(xué) 2009
[9]基于IC卡數(shù)據(jù)和公交車GPS信息的公交OD矩陣推算[D]. 戴維.華中科技大學(xué) 2009
[10]紅外APC乘客計數(shù)精度改進(jìn)及公交客運量預(yù)測模型研究[D]. 涂平.重慶大學(xué) 2008



本文編號：3117633