基于隐马尔可夫模型的交通流预测研究

发布时间：2020-11-03 23:39

　　 伴随着城市化和道路交通运输载体的机动化的快速发展。由于土地资源的限制,道路的建设速度远远不能满足实际交通需求。随之带来的道路拥堵问题,已经成为制约城市迈向更高层次发展的核心阻力之一。为了缓解城市交通路况拥堵现象,精准、高效、稳定和实时的城市道路网交通流预测去刻画区域道路交通路况,对城市道路交通网以及轨道交通网络无缝对接和高质量的交通监控优化具有重要的战略意义。现有的交通是基于人、车、路、环境构建的集合体,由于人的出行活动驱动了大量的道路交通流数据产生,从而促使道路交通表现不同路况形态。鉴于交通流本身的波动性、非线性的特性极易受到外界因素的干扰,以往的交通流预测研究考虑到的数据特征比较单一、交通网络模型过于复杂或者简单,导致模型泛化能力弱,预测的道路交通流无法精确、高效实时地反映实际道路交通状态等缺陷。随着物联网、云计算等大数据技术不断完善更新发展,获取实时的城市区域交通多特征数据已经成为现实,海量的、多维度的传感器交通数据为城市的交通状态模式识别和监测系统的构建研究提供了源头保障。基于此,本文利用区域多特征交通数据,在特征工程阶段采用半监督学习方式,根据信息熵理论的决策树算法对特征进行重组融合,以此为基础,提出了一种优化的隐马尔可夫模型对交通流预测以及交通状态的模式识别的方法。结合山东省临淄区交通数据进行课题实验研究,主要工作内容过程如下:首先,研究分析交通流预测模型的国内外现状,认识影响交通流变化本质因素。根据客观事实,对实际获取的区域交通数据进行标注,同时进行特征工程操作处理。其次,为了减少模型算法受数据输入端潜在的噪声影响,在构建交通流预测模型之前添加决策树算法,筛选影响道路交通流状态的特征属性数据进行对应的重组融合。最后,针对原始的隐马尔可夫模型(Hidden Markov Model,HMM)最佳状态参数难以选择且参数训练过程中确定的状态数冗余导致模型过度拟合、泛化能力弱的问题。提出了一种优化的隐马尔可夫模型的交通流预测机制,结合贝叶斯信息准则与赤池信息准则理论,通过实际数据验证,有效增强了模型的泛化能力以及稳定性。
【学位单位】：兰州交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U491.14
【部分图文】：

ITS结构示意图

基于隐马尔可夫模型的交通流预测研究间序列结构的交通流数据，对构建的交通模型进行参。总结前人的经验，本文的亮点在于采用半监督学习特征重组融合，指导交通模型朝着实际道路路况进行法优化促进交通模型无监督自动学习，从而达到交通通流的研究，具有时序的概率生成的网络结构的隐odel,HMM）在金融和语音领域中发挥不可替代的作预测中开始闪亮登场，继而在城市道路交通路径诱导和提供一个科学、可行的出行策略。因此文本的研究技

本文采用半监督学习方式，在数据特征工程处理阶段，根据实际交通调查指标，参考国内交通规范，对一部分数据进行人为标签出道路交通路况，再通过信息熵决策树理论进行数据特征筛选融合，进一步提高数据的质量。在达到降维的目的同时，也降低模型训练过程的时间和空间复杂度，对构建高精度和稳定的交通流预测模型具有重要的作用。第二部分核心是交通流预测模型的构建，根据采集的区域多特征的交通数据，提出了一种优化的隐马尔可夫模型的交通流预测模型，针对原始的隐马尔可夫模型的状态数难以选择问题，导致了构建的隐马尔可夫交通模型结构过于复杂，出现了过拟合现象。针对此模型的缺陷，依据贝叶斯信息量准则（Bayesian Information Criterion，BIC）和赤池信息量准则（Akaike Information Criterion，AIC）在模型复杂度和模型对数据刻画能力的之间（即最大似然函数）寻求最佳平衡点的良好性能，在隐马尔可夫模型的损失函数中加入上述两准则作为惩罚项。经过鲍姆韦尔奇算法训练的实验结果比较，优化后的隐马尔可夫交通流预测模型泛化能力更强。本文的研究框架如下图 1.3 所示。
【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 伍宏伟;基于隐马尔可夫模型的交通流预测研究[D];兰州交通大学;2019年

2 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

3 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

4 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

5 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

6 林锦香;基于深度学习的交通流预测[D];华南理工大学;2019年

7 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

8 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

9 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

10 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

本文编号：2869268