發(fā)布時間：2023-03-09 20:31

　　由于經濟水平快速提高和城市化進程不斷加快,我國私家車保有量不斷上升,交通擁堵成為大中城市交通常態(tài)。隨著科學技術的不斷發(fā)展,智能交通系統(tǒng)的研究與應用成為了應對城市交通問題、緩解交通擁堵、保障交通安全的重要方式和手段。城市道路短時交通流預測作為智能交通系統(tǒng)研究中重要組成部分廣受關注和研究,基于數(shù)據驅動的城市短時交通流預測方法和模型成為重要的研究方向。本文旨在基于深度學習和機器學習構建城市道路短時交通流預測模型,為實時精細化交通管理與控制提供支持。首先,本文對交通流預測方法進行了分類,明確了交通流預測問題的定義。針對交通流數(shù)據異常和缺失問題,提出了 3σ準則交通流異常檢測方法,總結了交通流數(shù)據補全的三種方法:基于統(tǒng)計學的方法、基于插值的方法和基于算法預測的方法,并使用基于軟閾值奇異值分解的Soft-Impute進行了數(shù)據補全。以實際交通流數(shù)據集分析了交通流的時間相關性、空間相關性和不確定性,明確了交通流預測的本質是復雜的動態(tài)時空序列預測問題。其次,本文總結了基于深度學習的時間和空間特征提取方法,分析了注意力機制在交通流預測中的有效性,提出了引入注意力機制的混合時空圖卷積網絡(Attentio...

【文章頁數(shù)】：95 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 國內外研究現(xiàn)狀綜述
        1.2.1 國內外研究現(xiàn)狀
        1.2.2 現(xiàn)狀研究不足
    1.3 研究內容與章節(jié)安排
        1.3.1 研究內容
        1.3.2 章節(jié)安排
    1.4 技術路線
    1.5 本章小結
第二章 交通流預測相關理論與交通流數(shù)據分析
    2.1 交通流參數(shù)介紹
    2.2 交通流預測分類與定義
        2.2.1 交通流預測分類
        2.2.2 生產環(huán)境中交通流預測方式
        2.2.3 交通流預測問題定義
    2.3 交通流數(shù)據預處理
        2.3.1 交通流數(shù)據集介紹
        2.3.2 潛在異常值檢測
        2.3.3 缺失值處理
        2.3.4 數(shù)據歸一化
    2.4 交通流特性分析
        2.4.1 時間相關性
        2.4.2 空間相關性
        2.4.3 不確定性
    2.5 本章小結
第三章 基于深度學習的城市網絡短時交通流時空預測方法
    3.1 交通流時間特征提取方法
        3.1.1 循環(huán)神經網絡
        3.1.2 時間卷積網絡
        3.1.3 軟注意力機制
    3.2 交通流空間特征提取方法
        3.2.1 譜域圖卷積網絡
        3.2.2 空域圖卷積網絡
        3.2.3 圖注意力網絡
        3.2.4 時空圖卷積網絡交通流預測模型構建
    3.3 實驗過程與結果分析
        3.3.1 實驗環(huán)境與實驗思路
        3.3.2 數(shù)據集劃分與模型輸入輸出設置
        3.3.3 時間特征提取方法對比分析
        3.3.4 空間特征提取方法對比分析
        3.3.5 注意力機制有效性分析
    3.4 引入注意力機制的時空圖卷積網絡交通流預測模型
        3.4.1 模型結構
        3.4.2 模型超參數(shù)分析
        3.4.3 模型預測與結果分析
    3.5 本章小結
第四章 基于機器學習的城市道路短時交通流在線預測方法
    4.1 交通流在線預測理論
        4.1.1 在線學習與離線學習
        4.1.2 增量學習與減量學習
        4.1.3 概念漂移
    4.2 基于機器學習的交通流在線預測方法
        4.2.1 隨機梯度下降法
        4.2.2 在線被動攻擊算法
        4.2.3 數(shù)據流樹模型
    4.3 基于梯度提升決策樹的交通流離線預測方法
        4.3.1 梯度提升決策樹
        4.3.2 極限梯度提升
        4.3.3 輕量梯度提升機
    4.4 實驗過程與結果分析
        4.4.1 實驗環(huán)境與模型輸入輸出設置
        4.4.2 AHSTGCN模型在線預測分析
        4.4.3 PA算法在線預測分析
        4.4.4 HTR算法在線預測分析
        4.4.5 GBDT離線預測分析
    4.5 短時交通流預測組合模型
        4.5.1 集成學習
        4.5.2 短時交通流預測組合模型結構
        4.5.3 模型組合策略分析
        4.5.4 模型預測與結果分析
        4.5.5 生產環(huán)境中交通流實時預測模型
    4.6 本章小結
第五章 結論與展望
    5.1 研究工作總結
    5.2 研究創(chuàng)新點
    5.3 研究展望
致謝
參考文獻
作者簡介



本文編號：3758246