基于LSTM深度神经网络的短期交通流预测

发布时间：2020-04-12 02:09

【摘要】：为了解决日益严重的交通问题,尤其是交通拥堵问题,交通部门开始广泛的应用智能交通系统(intelligent transportation system,ITS)来进行动态交通管理。短时交通流预测,不仅仅是智能交通的核心组成部分,更是交通管理部门实施交通管理及诱导的核心依据。同时,准确的交通流预测信息还可以为出行者提供详细的、实时的道路信息,来提高道路的通行能力,避免拥堵。所以,准确的交通流预测模型尤为重要。另外,伴随着大数据的不断发展和应用,获得的交通流数据越来越多,如何应用这些数据来更加精准地预测短时交通流已成为至关重要的问题。由于短时交通流具有不确定性、周期性、相关性和非线性等特点,是一种典型的时序数据,所以准确预测的核心就是获取数据之间的潜在关联和影响。基于以上背景,本文建立了基于长短时记忆神经网络(long-shorttermmemory,LSTM)的短时交通流预测模型,具体研究内容如下:首先,本文分析了目前短时交通流预测模型的优缺点,然后对交通流的参数以及与处理方法进行介绍,第二步对机器学习和深度学习进行详细的阐述,为模型的建立奠定理论基础。之后建立了基于长短时记忆网络的预测模型,然后详细介绍了模型的网络结构和训练过程,通过不断地调整参数,使模型到达最优。最后通过与反向传播(back propagation,BP)神经网络模型、支持向量机(support vector machine,SVM)以及门控循环单元(gated recurrent unit,GRU)神经网络进行对比,表明该模型的均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)更小,预测准确率更高。本文还采用了不同路段的数据分别进行训练。通过对比可以看到,该模型对于本文所选的各个路段的预测准确率基本稳定在93%左右,说明基于LSTM的短时交通流预测模型可以较准确地获取数据的时序性特征,而且具有良好的稳定性,可以适用于不同路段的交通流预测。
【图文】：

隐含层,输出层,输出向量,连接权值

误差会沿着信息传播的反方向前进，并且根据顺序对权重和偏置情况进行调整。逡逑通过调整每一层的权重和偏置不断地去优化所建立的模型，直到达到最大迭代逡逑数。其结构如图３－１所示：逡逑．．．．．＾逡逑输入展逦隐含层逦输出层逡逑图３－１邋ＢＰ神经网络结构逡逑Ｆｉｇｕｒｅ邋３－１邋ＢＰ邋ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ邋ｓｔｒｕｃｔｕｒｅ逡逑Ｂｐ神经网络学习过如下：逡逑假设输入向量为Ｘ，隐含层输入向量为／７，＋，隐含层输出向量为／？0，输出层输逡逑入向量Ａ，，输出层输出向量％，期望输出向量输入层与中间层连接权值为逡逑Ｈ＾，隐含层与输出层的连接权值为＿。，隐含层各神经元阈值心，输出层各神经逡逑元阈值心，样本个数々，激活函数／（Ｘ；）。贝ＩＪ：逡逑第一步：网络初始化。给个链接权值分别赋予一个区间（－１，１）内的随机逡逑数，设定误差函数＆给定计算精度值ｆ和最大学习次数Ｍ。逡逑第二步：随机选取第々个输入样本及对应的期望输出逡逑ｘ⑷＝（ｘ丨⑷，ｘ２（々）＂．，＇⑷）逦（３－１）逡逑ｄ0｛ｋ）邋＝邋｛ｄｘ｛ｋ）

结构图,神经网络结构,隐含层

的处理信息加以记忆，从而使得隐含层的输入包含两部分：既有输入层的输出，逡逑还有上一时刻隐含层的输出［４１］。这种神经网络可以帮助我们更好地去掌握与时逡逑间相关的复杂关系，从而得到最理想的预测模型。ＲＮＮ的结构图如图３－２以及逡逑３－３所示。逡逑－逦Ｃ，．逡逑输出层逦＾逡逑图３－２邋ＲＮＮ神经网络结构逡逑Ｆｉｇｕｒｅ邋３－２邋ＲＮＮ邋ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ邋ｓｔｒｕｃｔｕｒｅ逡逑１７逡逑
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;U491.1

【参考文献】