基于栈式自编码器的交通流预测和目标分配方法研究

发布时间：2020-05-27 03:32

【摘要】：随着各国经济实力和科技实例的不断增长,特别是近年来科技硬实力和软实力的飞速发展,国家的科技实力和人们的生活水平都得到了不小的提高。虽然社会不断进步和发展,但是可供人们使用的资源是有限的。在人们生活中,车辆越来越多而道路资源是有限的;在国家战备中,敌方目标的种类、数目越来越多,而我方的火力平台和装备是有限的。如何合理配置这些资源成为各国关注的焦点。通过对交通流和目标分配问题进行合理的预测和分配,可以设计一套合理和科学的辅助决策方案,对辅助指挥者决策有重要的理论和现实意义。本文就栈式自编码器解决交通流预测和目标分配问题进行研究,其主要解决的问题和创新点如下:(1)针对交通流预测中的交通流数据的高随机性使得栈式自编码器难以收敛和容易陷入局部最优的问题,本文设计了基于平衡指数平滑-栈式自编码器的交通流预测算法。该算法利用平衡指数平滑法对交通流数据进行平滑去噪处理。使用该算法分别对5分钟、15分钟、30分钟和45分钟的交通流进行预测,并设计的相关的对比实验。实验证明,算法中的平衡指数平滑法能够有效的对5分钟和15分钟的交通流数据进行平滑去噪,加速栈式自编码器的收敛,增强网络泛化能力,解决神经网络容易陷入局部最优的问题。(2)针对基于平衡指数平滑-栈式自编码器算法对时间间隔较长的交通流预测效果难以提升的问题进行了分析,从分析可知从数据的角度进行处理对时间间隔较长的交通流意义不大。针对这一问题本文从预测模型方面分析设计了栈式自编码器-小波神经网络算法分别对四个时间间隔的交通流进行预测。算法中的小波神经网络可以通过伸缩因子和尺度因子对交通流的局部信息进行由粗到细的表示;一方面可以解决交通流的高随机性,使得网络难以收敛的问题;另一方面可以有效的提取交通流的局部信息;使该算法的鲁棒性较好即在各个时间间隔的性能都比较好。通过相关对比实验,证明了该方法的有效性。(3)针对火力平台对属性不一、用途各异的目标难以快速制定合理的分配方案的问题,本文设计了基于栈式自编码器-多层感知器的目标分配算法。算法中设计了基于熵权法的射击效能因素和最短射击时间因素的综合射击有利度函数,使得得到的综合射击有利度函数更具有客观性;并用该函数为神经网络提供训练数据。通过栈式自编码器对目标的多属性进行特征融合,提高了深度神经网络的预测精度。该算法具有分配时间短、打击效能高的优势,能切实的应用到实际的工程项目中。
【图文】：

第二章 相关理论方法介绍13图2.6 周末交通流情况虽然该系统具有随机性和不确定性，但是通过剖析大量的长时间的交通流的特征可以发现交通流的特征每隔相应的时间就会出现类似的波形；而且，观察的周期越长，它们的相似性就越明显。比如，工作日和周末假期，工作日内的波形是相似的，工作日与周末假期的波形就完全不同。如图 2.5 和图 2.6 分别为我国秦皇岛市某一截面探测器一个周内从工作日和周末的交通流情况，，从图中可以看出[33]，工作日的交通流呈现出双高峰的情况，周末两日的交通流呈现出单高峰的情况。另一方面，交通流数据收集的时间间隙越短，交通流的随机波动性越强，即时间间隔越短其波动越明显。因为时间间隔越短

线明显比较光滑，但是处理后交通流数据发生了右偏移，经过平衡指数平滑处理后消除了其右偏移的问题。图 3.1 充分展示了平衡指数平滑方法的滤波去噪效果。图3.1 原数据、三次指数平滑和平衡指数平滑对比图3. 数据归一化处理利用最大最小归一化方法对收集的所有数据进行归一化处理，最大最小归一化方法公式如下（3-4）所示：' minmax minttx xxx x (3-4)其中，xt’表示归一化后 t 时刻的交通流值，tx 表示 t 时刻的交通流值，minx 表示交通流数据的最小值，maxx 表示交通流数据的最大值。4.栈式自编码器预测模型的构建与第 2.1.2 节中描述的栈式自编码器神经网络预测模型的结构相同，其神经网络
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491.1

【相似文献】

相关期刊论文 前10条

1 何媛媛;;智能交通系统域间交通流预测关键技术研究[J];南方农机;2020年01期

2 李连强;高军伟;;基于资源分配网络算法的交通流预测研究[J];工业控制计算机;2017年10期

3 方琴;李永前;;K近邻短期交通流预测[J];重庆交通大学学报(自然科学版);2012年04期

4 刘星委;刘建玮;肖峰;;基于深度学习的交通流预测方法可行性研究[J];河北交通教育;2018年02期

5 邹煜星;邓敏;;基于长时卷积深度网络的交通流预测方法[J];测绘与空间地理信息;2019年07期

6 王进;史其信;;基于非线性理论的短期交通流预测研究[J];西安建筑科技大学学报(自然科学版);2006年02期

7 向红艳;朱顺应;王红;严新平;;短期交通流预测效果的模糊综合评判[J];武汉理工大学学报(交通科学与工程版);2005年06期

8 陈相东;张勇;;基于局部多项式拟合的交通流预测[J];计算机工程与应用;2012年19期

9 马君;刘小冬;孟颖;;基于神经网络的城市交通流预测研究[J];电子学报;2009年05期

10 李一龙;;基于动态规划的城市交通流预测与分配[J];交通运输系统工程与信息;2009年03期

相关会议论文 前5条

1 姜敏华;张晓东;;稳定转弯比例下的交通流预测[A];2007第三届中国智能交通年会论文集[C];2007年

2 刘秋晨;;城市交叉口短时交通流预测方法[A];共享与品质——2018中国城市规划年会论文集（06城市交通规划）[C];2018年

3 陈慧敏;朱锦强;李强伟;;基于深信度网络的城市道路网交通流预测研究[A];第十一届中国智能交通年会大会论文集[C];2016年

4 陈宁;吴坚;王移风;徐建军;董红召;;基于分形理论的短时城市交通流预测方法研究[A];2009中国控制与决策会议论文集（1）[C];2009年

5 陈岳明;萧德云;;拥堵条件下的路网交通流预测[A];2008’“先进集成技术”院士论坛暨第二届仪表、自动化与先进集成技术大会论文集[C];2008年

相关重要报纸文章 前2条

1 本报记者 钮怿;“金蛋”是怎样孵出来的[N];文汇报;2008年

2 钮怿邋王春;“金蛋”孵化记[N];科技日报;2008年

相关博士学位论文 前10条

1 黎光宇;高速公路交通流预测和仿真及其应用[D];天津大学;2017年

2 吴刚;高速公路交通流预测及事故预警方法研究[D];天津大学;2014年

3 于志恒;基于智能理论的交通流量组合预测模型研究[D];东北师范大学;2016年

4 杨广全;电梯交通流分析及电梯群控策略研究[D];上海交通大学;2007年

5 杨飞;基于回声状态网络的交通流预测模型及其相关研究[D];北京邮电大学;2012年

6 王凡;基于支持向量机的交通流预测方法研究[D];大连理工大学;2010年

7 刘勇;基于热力学熵和混沌理论的城市道路交通系统的研究[D];长安大学;2009年

8 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

9 周堂;物联网背景下城市交通拥堵事前疏导研究[D];湖南大学;2014年

10 夏大文;基于MapReduce的移动轨迹大数据挖掘方法与应用研究[D];西南大学;2016年

相关硕士学位论文 前10条

1 李文婧;面向多时段控制的长时交通流预测及分割点优化方法[D];浙江大学;2019年

2 王硕;基于特性分析的短时交通流预测方法研究[D];北京交通大学;2019年

3 薛亚鑫;基于LSTM深度神经网络的短期交通流预测[D];北京交通大学;2019年

4 赵蕾;基于卷积神经网络的快速路交通流预测研究[D];北京交通大学;2019年

5 林锦香;基于深度学习的交通流预测[D];华南理工大学;2019年

6 陈健;高速路网交通流预测分析方法的研究与实现[D];电子科技大学;2019年

7 李德志;基于改进IndRNN的高速公路交通流预测算法研究[D];南京邮电大学;2019年

8 张斌;基于运动模式挖掘的路网移动对象交通流预测[D];南京邮电大学;2019年

9 任艺柯;基于改进的LSTM网络的交通流预测[D];大连理工大学;2019年

10 丁振林;基于栈式自编码器的交通流预测和目标分配方法研究[D];西安电子科技大学;2019年

本文编号：2682883