發(fā)布時(shí)間：2021-08-12 01:36

　　實(shí)時(shí)交通序列預(yù)測(cè)是實(shí)現(xiàn)動(dòng)態(tài)交通誘導(dǎo)和決策的前提。早期的預(yù)測(cè)基于統(tǒng)計(jì)學(xué)方法,在簡(jiǎn)單線(xiàn)性低維的情況下展現(xiàn)出了較好的性能,對(duì)于建模的方法論有較大指導(dǎo)意義。但城市交通系統(tǒng)具有隨機(jī)動(dòng)態(tài)非線(xiàn)性等復(fù)雜特征,為預(yù)測(cè)問(wèn)題帶來(lái)了許多困難�；趥鹘y(tǒng)統(tǒng)計(jì)方法的交通時(shí)序預(yù)測(cè)模型難以適應(yīng)數(shù)據(jù)模式多變的情況,也無(wú)法有效利用大數(shù)據(jù)時(shí)代數(shù)據(jù)背后的豐富信息,預(yù)測(cè)效率較低。近年來(lái),數(shù)據(jù)驅(qū)動(dòng)的非線(xiàn)性模型尤其是神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)上得到廣泛應(yīng)用。為實(shí)現(xiàn)精確穩(wěn)定的交通時(shí)序預(yù)測(cè),并以此為基礎(chǔ)構(gòu)建符合實(shí)際情況的交通仿真場(chǎng)景,本文完成的工作主要包括:首先,為了解決統(tǒng)計(jì)學(xué)模型無(wú)法實(shí)現(xiàn)多輸入多輸出預(yù)測(cè)以及探究神經(jīng)網(wǎng)絡(luò)模型的解釋性等問(wèn)題,本文提出了一種基于端到端深度學(xué)習(xí)的多層卷積-門(mén)限循環(huán)網(wǎng)絡(luò)（即CM-GRU網(wǎng)絡(luò)）。該網(wǎng)絡(luò)對(duì)序列數(shù)據(jù)的短期時(shí)間特征進(jìn)行提取后,對(duì)不同時(shí)序的短期時(shí)間特征進(jìn)行選擇性記憶,以實(shí)現(xiàn)時(shí)間聯(lián)合預(yù)測(cè)。實(shí)驗(yàn)結(jié)果顯示,提出的網(wǎng)絡(luò)模型會(huì)比直接對(duì)原始的歷史序列數(shù)據(jù)進(jìn)行預(yù)測(cè)更加有效。其次,為了在數(shù)據(jù)樣本的模式差異較大時(shí),保證神經(jīng)網(wǎng)絡(luò)在不同交通場(chǎng)景下的準(zhǔn)確性和穩(wěn)定性,本文進(jìn)一步提出一種基于自適應(yīng)集成學(xué)習(xí)的多神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。其中自適應(yīng)主要... 

【文章來(lái)源】：哈爾濱理工大學(xué)黑龍江省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積操作原理

哈爾濱理工大學(xué)工程碩士學(xué)位論文-13-圖2-2.門(mén)限循環(huán)網(wǎng)絡(luò)隱含層示意Fig.2-2Hiddenlayerofgatedrecurrentnetworks門(mén)限循環(huán)單元中的更新門(mén)可以表示為公式(2-17)。zt=σg(Wzxt+Uzht-1+bz)(2-17)重置門(mén)表示為公式(2-18)。rt=σg(Wrxt+Urht-1+br)(2-18)完成更新門(mén)和重置門(mén)的計(jì)算后，通過(guò)與上一時(shí)間步的隱狀態(tài)ht-1進(jìn)行如公式(2-19)所示的加權(quán)和激活，得到新的記憶ht"，其中tanh為雙曲正切激活函數(shù)。ht"=tanh(Wxt+rt⊙Uht-1)(2-19)而最終的輸出通過(guò)公式獲得(2-20)。ht=(1-zt)⊙ht"+zt⊙ht-1)(2-20)以上計(jì)算過(guò)程表示了門(mén)限循環(huán)網(wǎng)絡(luò)隱含層中一個(gè)單元的前向計(jì)算過(guò)程，其中Wz，Uz，bz，Wr，Ur，br，W，U都是待估計(jì)的參數(shù)矩陣。而對(duì)于某一層的輸入x=[…,xt-1,xt,xt+1,…]，其輸出h=[…,ht-1,ht,ht+1,…]可由公式(2-21)簡(jiǎn)便表示，其中隱狀態(tài)的初始化時(shí)隨機(jī)的，因此未在公式的輸入項(xiàng)中體現(xiàn)。h=GRU(x)(2-21)2.2.3CM-GRU網(wǎng)絡(luò)及其參數(shù)估計(jì)傳統(tǒng)的門(mén)限循環(huán)網(wǎng)絡(luò)一般直接對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測(cè)，無(wú)法對(duì)數(shù)據(jù)所包含的不同特征進(jìn)行獨(dú)立分析。CM-GRU網(wǎng)絡(luò)的基本思想是將卷積層插入輸入層和門(mén)限循環(huán)層之間，使用卷積層提取數(shù)據(jù)特征并按時(shí)序排列，作為門(mén)限循環(huán)層的輸入。其示意圖如圖2-3所示。假設(shè)整個(gè)網(wǎng)絡(luò)的輸入序列Xin={xin1,xin2,…,xint,…,xinm}，根據(jù)2.2.1小節(jié)的描述，一維卷積層提取的特征可以簡(jiǎn)潔表示為公式(2-22)所示的形式。

哈爾濱理工大學(xué)工程碩士學(xué)位論文-24-第4章交通時(shí)序模型性能檢驗(yàn)4.1基于單獨(dú)CM-GRU模型的預(yù)測(cè)4.1.1數(shù)據(jù)分析及基線(xiàn)模型的建立本文數(shù)據(jù)來(lái)源于加利福尼亞運(yùn)輸性能測(cè)量系統(tǒng)(PeMS)。選取其中位于加利福尼亞州的JuniperoSerra高速公路附近（如圖4-1）的車(chē)輛檢測(cè)器(VehicleDetectorStations，VDS)采集的數(shù)據(jù)作為原始數(shù)據(jù)集。該數(shù)據(jù)集的日期范圍為2016年全年。不同車(chē)輛檢測(cè)器可以監(jiān)測(cè)不同路段的車(chē)流量信息。檢測(cè)器采集到的樣本的前60％用作階段1訓(xùn)練集，中間20％用作階段2訓(xùn)練集，剩余的20％用作測(cè)試數(shù)據(jù)集。圖4-1.數(shù)據(jù)采集位置示意Fig.4-1Locationsofdatacollectors該路段的熱力圖如圖4-2，通過(guò)該圖可以觀察到較明顯的長(zhǎng)期趨勢(shì)。根據(jù)圖4-2，流量數(shù)據(jù)在每天的長(zhǎng)期趨勢(shì)存在類(lèi)似，每天的車(chē)流均具有單峰特征，但又不盡相同，有些日期的模式差異較大，峰值時(shí)間有所改變。同時(shí)，為了指導(dǎo)集成學(xué)習(xí)模型的訓(xùn)練以及性能評(píng)估，本文使用了均方根誤差(RootMeanSquareError，RMSE)及平均絕對(duì)百分誤差(MeanAbsolutePercentageError，MAPE)兩種指標(biāo)，分別表示為公式(4-1)和公式(4-2)。

【參考文獻(xiàn)】：
期刊論文
[1]基于約束卡爾曼濾波的短時(shí)交通流量組合預(yù)測(cè)模型[J]. 聶佩林,余志,何兆成.  交通運(yùn)輸工程學(xué)報(bào). 2008(05)



本文編號(hào)：3337311