本文關(guān)鍵詞：短時(shí)交通流預(yù)測(cè)問(wèn)題的研究　出處：《山東大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

  更多相關(guān)文章： 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) CBOW模型 短時(shí)流量預(yù)測(cè)

【摘要】：自20世紀(jì)末以來(lái),由于交通路網(wǎng)的建設(shè)復(fù)雜、以汽車(chē)為主的交通工具數(shù)量的快速增長(zhǎng),交通流量的變化越來(lái)越影響人們的生活,交通流量的不合理疏導(dǎo)甚至?xí)䦟?dǎo)致交通堵塞和交通事故等問(wèn)題。短時(shí)交通流量的預(yù)測(cè)對(duì)于緩解城市交通問(wèn)題,提高城市交通運(yùn)輸效率和建設(shè)智慧城市都有著積極的作用。針對(duì)短時(shí)交通流量預(yù)測(cè),主要有模擬仿真、回歸分析、神經(jīng)網(wǎng)絡(luò)等類(lèi)型的方法。模擬仿真的方法需要對(duì)復(fù)雜的交通網(wǎng)絡(luò)建立模型,需要很高的先驗(yàn)知識(shí)支持,并且計(jì)算代價(jià)較大,因此在實(shí)際中應(yīng)用比較困難;回歸分析方法主要有自回歸模型(AR)、滑動(dòng)平均模型(MA)和自回歸滑動(dòng)平均(ARIMA)模型等;包括深度學(xué)習(xí)網(wǎng)絡(luò)模型中的棧式自動(dòng)編碼機(jī)(SAE)和深度置信網(wǎng)絡(luò)(DBN)在內(nèi)的神經(jīng)網(wǎng)絡(luò)方法也都運(yùn)用在了交通流量預(yù)測(cè)任務(wù)中,深度學(xué)習(xí)方法的主要優(yōu)點(diǎn)是可以利用多層的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化特征空間,從而使得新的特征更具表現(xiàn)力。如何獲取更有意義的特征值成為了目前研究的重點(diǎn)。這些方法一般是依據(jù)歷史交通流量數(shù)據(jù)來(lái)預(yù)測(cè)接下來(lái)一個(gè)時(shí)間段內(nèi)的交通流量,并且大多只針對(duì)有少量數(shù)據(jù)采集點(diǎn)的交通流量進(jìn)行預(yù)測(cè),沒(méi)有在整個(gè)城市區(qū)域的角度進(jìn)行預(yù)測(cè)。目前普遍運(yùn)用的智能交通系統(tǒng)(ITS)中,大量的二維城市時(shí)空交通數(shù)據(jù)已經(jīng)可以獲取,并且數(shù)據(jù)量正在以驚人的速度增長(zhǎng),這就使得整個(gè)城市區(qū)域的交通流量預(yù)測(cè)有了更大規(guī)模的數(shù)據(jù)支持,而更大規(guī)模數(shù)據(jù)的產(chǎn)生也使我們面臨著更多的挑戰(zhàn)。計(jì)算機(jī)硬件計(jì)算能力越來(lái)越高,深度學(xué)習(xí)的方法已經(jīng)開(kāi)始得到了越來(lái)越多的探索和應(yīng)用,深度學(xué)習(xí)方法的高維特征抽取能力對(duì)于預(yù)測(cè)任務(wù)有極其重要的意義。我們提出了一種預(yù)先特征數(shù)據(jù)重組并運(yùn)用在卷積神經(jīng)網(wǎng)絡(luò)上的交通流量預(yù)測(cè)方法,主要特點(diǎn)是:1.通過(guò)車(chē)輛軌跡數(shù)據(jù)挖掘路口車(chē)流量間的影響因子;2.將路口間車(chē)流量的影響因子應(yīng)用到構(gòu)建針對(duì)短時(shí)交通流量的特征矩陣中,即構(gòu)建擁有時(shí)間-空間二維的特征矩陣;3.將卷積神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)交通流量,利用其局部感知原理發(fā)揮空間因素對(duì)短時(shí)流量的影響。我們將提出的模型應(yīng)用到實(shí)際的交通數(shù)據(jù)集中,進(jìn)行了充分的實(shí)驗(yàn)。實(shí)驗(yàn)的結(jié)果證明了模型的有效性和先進(jìn)性,在提到的評(píng)價(jià)指標(biāo)中已經(jīng)優(yōu)于原有模型,具有在實(shí)際中應(yīng)用的價(jià)值,并可以在相關(guān)領(lǐng)域內(nèi)遷移應(yīng)用。
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：U491.14;TP18

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王維鳳,陳小鴻,林航飛,吳嬌蓉;高速公路流量預(yù)測(cè)風(fēng)險(xiǎn)分析[J];長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年06期

2 潘昱,張晶;基于城市路口相關(guān)性的交通流量預(yù)測(cè)[J];交通與計(jì)算機(jī);2005年01期

3 劉世超;基于極大似然估計(jì)的路段交通流量預(yù)測(cè)[J];西南交通大學(xué)學(xué)報(bào);2005年02期

4 劉長(zhǎng)虹;陳志恒;黃虎;;城市短期交通流量預(yù)測(cè)方法的探討[J];現(xiàn)代交通技術(shù);2006年01期

5 侯明善;蘭云;;基于自適應(yīng)模糊神經(jīng)推理網(wǎng)絡(luò)的交通流量預(yù)測(cè)研究[J];機(jī)械科學(xué)與技術(shù);2006年10期

6 胡丹;肖建;車(chē)暢;;提升小波支持向量機(jī)在交通流量預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用研究;2007年08期

7 姚亞夫;劉侃;;基于遺傳神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)研究[J];公路與汽運(yùn);2007年06期

8 范魯明;賀國(guó)光;;改進(jìn)非參數(shù)回歸在交通流量預(yù)測(cè)中的應(yīng)用[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年01期

9 叢新宇;虞慧群;范貴生;;基于組合模型的交通流量預(yù)測(cè)方法[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

10 劉長(zhǎng)虹;黃虎;陳力華;吳偉蔚;;基于隨機(jī)過(guò)程下的交通流量預(yù)測(cè)方法[J];上海工程技術(shù)大學(xué)學(xué)報(bào);2006年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前7條

1 龐清樂(lè);;基于蟻群算法的交通流量預(yù)測(cè)[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第三分冊(cè)）[C];2009年

2 張勇;關(guān)偉;;基于多變量序列重構(gòu)的交通流量預(yù)測(cè)[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

3 劉強(qiáng);朱敏;王小維;邱震宇;;灰色神經(jīng)模型在空中交通流量預(yù)測(cè)中的應(yīng)用[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 劉智勇;徐今強(qiáng);李水友;;城市交通流量的混沌時(shí)間序列預(yù)測(cè)[A];04'中國(guó)企業(yè)自動(dòng)化和信息化建設(shè)論壇暨中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì)專(zhuān)輯[C];2004年

5 周申培;嚴(yán)新平;;信息融合技術(shù)在交通流量預(yù)測(cè)中的應(yīng)用[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

6 于江波;陳后金;;基于分段學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

7 蔣海峰;魏學(xué)業(yè);張屹;;基于加權(quán)一階局域法的短時(shí)交通流量預(yù)測(cè)的研究[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 胡孟杰;基于流量預(yù)測(cè)的交通信號(hào)控制技術(shù)研究[D];浙江工業(yè)大學(xué);2014年

2 慕偉;城市道路交通流預(yù)測(cè)與路徑選擇研究[D];浙江工業(yè)大學(xué);2015年

3 林海濤;面向短時(shí)交通流量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)算法研究[D];南京郵電大學(xué);2016年

4 談X;基于路口相關(guān)性的變結(jié)構(gòu)式組合交通流量預(yù)測(cè)的研究[D];合肥工業(yè)大學(xué);2017年

5 許麗;基于多源數(shù)據(jù)的通勤高峰期交通流量預(yù)測(cè)方法[D];西南交通大學(xué);2017年

6 于東海;短時(shí)交通流預(yù)測(cè)問(wèn)題的研究[D];山東大學(xué);2017年

7 張仁初;寧波港船舶交通流量預(yù)測(cè)研究[D];大連海事大學(xué);2008年

8 朱文姍;擬建高速公路交通流量預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];中國(guó)科學(xué)院大學(xué)（工程管理與信息技術(shù)學(xué)院）;2014年

9 李波;基于小波分析和遺傳神經(jīng)網(wǎng)絡(luò)的短時(shí)城市交通流量預(yù)測(cè)研究[D];北京交通大學(xué);2012年

10 何偉;模糊神經(jīng)網(wǎng)絡(luò)在交通流量預(yù)測(cè)中的應(yīng)用研究[D];蘭州交通大學(xué);2012年

，

本文編號(hào)：1309170