交通預(yù)測問題是共享車輛的按需出行（mobility on demand,簡稱MoD）系統(tǒng)中基礎(chǔ)問題之一,是保證共享車輛按需出行系統(tǒng)的平穩(wěn)運(yùn)行,解決由于交通路網(wǎng)內(nèi)車輛數(shù)量的急劇增加所帶來的居民的生活質(zhì)量問題以及社會(huì)的城市化建設(shè)問題的前提。近年來,基于深度學(xué)習(xí)的數(shù)據(jù)建模算法因其強(qiáng)大的數(shù)據(jù)表征能力得到廣大學(xué)者的青睞,其廣泛應(yīng)用為解決交通預(yù)測問題提供了新的思路。然而,基于深度學(xué)習(xí)的算法在交通預(yù)測領(lǐng)域仍存在以下局限性:長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)雖然能夠充分提取序列數(shù)據(jù)在時(shí)間維度上的依賴關(guān)系,但是該方法難以對(duì)交通數(shù)據(jù)內(nèi)部空間相關(guān)性進(jìn)行建模。此外,卷積神經(jīng)網(wǎng)絡(luò)雖然能夠充分提取數(shù)據(jù)空間依賴關(guān)系,但是由于其對(duì)數(shù)據(jù)采樣固定在幾何區(qū)域范圍內(nèi),導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)在對(duì)交通數(shù)據(jù)空間依賴關(guān)系建模時(shí)特征提取不夠充分。為了克服上述局限性,本文針對(duì)長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行擴(kuò)展,并結(jié)合圖注意力機(jī)制等深度學(xué)習(xí)技術(shù),解決交通預(yù)測問題中的出行需求預(yù)測和交通流預(yù)測問題。本論文的主要研究內(nèi)容和研究成果如下:1.提出了以改進(jìn)的長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)為核心的出行需求預(yù)測模型。為了提升對(duì)出行需求數(shù)據(jù)的時(shí)空依賴關(guān)系的建模能力,該模... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀
        1.2.1 交通流預(yù)測
        1.2.2 出行需求預(yù)測
        1.2.3 深度學(xué)習(xí)
    1.3 研究的難點(diǎn)與挑戰(zhàn)
        1.3.1 空間相關(guān)性提取
        1.3.2 時(shí)間相關(guān)性提取
    1.4 本文的主要工作
2 短期交通預(yù)測基礎(chǔ)知識(shí)
    2.1 概述
    2.2 短期交通預(yù)測基本理論
        2.2.1 基本參數(shù)
        2.2.2 外部影響因素
        2.2.3 特性分析
    2.3 短期交通預(yù)測的常用方法
        2.3.1 基于統(tǒng)計(jì)的方法
        2.3.2 基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法
        2.3.3 基于深度學(xué)習(xí)的方法
    2.4 數(shù)據(jù)預(yù)處理
        2.4.1 交通網(wǎng)絡(luò)劃分
        2.4.2 數(shù)據(jù)清洗
        2.4.3 數(shù)據(jù)標(biāo)準(zhǔn)化
    2.5 本章小結(jié)
3 基于CE-LSTM的出行需求預(yù)測算法
    3.1 概述
    3.2 基于CE-LSTM的殘差時(shí)空預(yù)測模型
        3.2.1 CE-LSTM模塊簡介
        3.2.2 SCE模塊簡介
        3.2.3 STDA模塊簡介
        3.2.4 殘差連接與預(yù)測問題重定義
    3.3 實(shí)驗(yàn)環(huán)境設(shè)置
        3.3.1 數(shù)據(jù)集描述
        3.3.2 評(píng)價(jià)指標(biāo)
        3.3.3 基線方法
    3.4 實(shí)驗(yàn)驗(yàn)證與分析
        3.4.1 輸入數(shù)據(jù)描述
        3.4.2 模型參數(shù)設(shè)計(jì)
        3.4.3 預(yù)測指標(biāo)對(duì)比分析
        3.4.4 實(shí)驗(yàn)結(jié)果展示
    3.5 本章小結(jié)
4 基于時(shí)間卷積和特征增強(qiáng)模塊的出行需求預(yù)測算法
    4.1 概述
    4.2 基于特征增強(qiáng)模塊的時(shí)間卷積模型
        4.2.1 時(shí)間卷積模型
        4.2.2 特征增強(qiáng)模塊
        4.2.3 模型結(jié)構(gòu)
    4.3 實(shí)驗(yàn)環(huán)境設(shè)置
        4.3.1 數(shù)據(jù)集描述
        4.3.2 評(píng)價(jià)指標(biāo)
        4.3.3 基線方法
    4.4 實(shí)驗(yàn)驗(yàn)證分析
        4.4.1 輸入數(shù)據(jù)描述
        4.4.2 數(shù)據(jù)相關(guān)性驗(yàn)證與模型參數(shù)設(shè)計(jì)
        4.4.3 預(yù)測指標(biāo)對(duì)比分析
        4.4.4 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
5 基于時(shí)空?qǐng)D注意力機(jī)制的交通流預(yù)測算法
    5.1 概述
    5.2 時(shí)空?qǐng)D注意力模型
        5.2.1 問題描述
        5.2.2 圖注意力模型
        5.2.3 時(shí)空?qǐng)D注意力機(jī)制
        5.2.4 時(shí)空?qǐng)D注意力LSTM
    5.3 實(shí)驗(yàn)環(huán)境設(shè)置
        5.3.1 數(shù)據(jù)集描述
        5.3.2 評(píng)價(jià)指標(biāo)
        5.3.3 基線方法與其參數(shù)設(shè)計(jì)
    5.4 實(shí)驗(yàn)驗(yàn)證分析
        5.4.1 輸入數(shù)據(jù)描述
        5.4.2 模型參數(shù)設(shè)計(jì)
        5.4.3 預(yù)測指標(biāo)對(duì)比分析
        5.4.4 實(shí)驗(yàn)結(jié)果
    5.5 本章小結(jié)
6 結(jié)論
    6.1 研究內(nèi)容與研究成果
    6.2 工作展望
參考文獻(xiàn)
致謝
作者簡歷及攻讀碩士學(xué)位期間的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]出行預(yù)測方法從出行模型到行為模型的變革[J]. 易漢文.  城市交通. 2007(01)



本文編號(hào)：3181162