交通流預測是交通建模和交通管理中的一個基本問題。近幾年,雖然深度學習的方法已經(jīng)應用到交通流預測領(lǐng)域,但是由于受交通數(shù)據(jù)本身所具有的特性,比如,空間依賴性,時間依賴性以及外部因素的影響,準確的預測交通流量具有很大困難。本文主要研究的是交通流量的預測,主要是將一個城市劃分成不同的網(wǎng)格,每個網(wǎng)格代表一個預測區(qū)域,然后通過這種網(wǎng)格的劃分來預測整個城市的交通流量。針對交通流數(shù)據(jù)所具有的時空關(guān)系特性,本文提出了一個新的基于深度學習的混合模型預測方法,用融合注意力(Attention)機制的卷積神經(jīng)網(wǎng)絡(luò)(CNN)和LSTM網(wǎng)絡(luò)來進行交通流量的預測,并用實驗對本文的實驗結(jié)果進行驗證。本文的主要研究工作如下:(1)通過將一個城市的地圖按照經(jīng)緯度劃分成網(wǎng)格的形式,成功的將城市交通流量的預測轉(zhuǎn)化成圖像處理領(lǐng)域的問題,進而可以用深度學習的框架來處理相關(guān)問題。深度學習在圖像處理領(lǐng)域的廣泛應用使得其能更好的對交通數(shù)據(jù)中所具有的相關(guān)特征進行提取。(2)針對交通數(shù)據(jù)具有的時空關(guān)系,本文提出了一個新的基于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的一個變體LSTM深度學習的框架,同時,在框架中加入Attention機制,以及自回歸模型...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究工作
    1.4 章節(jié)安排
2 相關(guān)工作
    2.1 交通流特性分析
        2.1.1 基本特性
        2.1.2 交通流預測模型要求
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 CNN卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)的應用
    2.3 LSTM神經(jīng)網(wǎng)絡(luò)
        2.3.1 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.2 LSTM網(wǎng)絡(luò)
    2.4 本章小結(jié)
3 預測模型的整體框架
    3.1 問題的定義
    3.2 基于CNN和LSTM的交通流預測模型
        3.2.1 空間關(guān)系的獲取
        3.2.2 時間關(guān)系的獲取
        3.2.3 外部因素
    3.3 融合ATTENTION機制和自回歸模型的預測模型
        3.3.1 Attention機制
        3.3.2 自回歸模型
    3.4 預測模型的結(jié)構(gòu)優(yōu)化
        3.4.1 Dropout原理
        3.4.2 Batch Normalization算法
    3.5 本章小結(jié)
4 實驗結(jié)果與分析
    4.1 實驗環(huán)境
    4.2 數(shù)據(jù)處理
    4.3 預測結(jié)果對比分析
    4.4 模型參數(shù)的選擇
    4.5 本章小結(jié)
結(jié)論
參考文獻
致謝



本文編號：3802189