基于数据挖掘技术的交通流量分析与预测
发布时间：2020-12-13 03:47
在机动车数量不断突破新高的大背景下,交通拥堵已成为制约社会发展的重大问题。如果能准确预测路网中各路口的交通流量,相关部门则可以制定更有针对性的疏导措施,从而全方位提升路网利用率,缓解交通拥堵问题。近些年,数据挖掘技术取得了重大进展,该技术与交通流量预测场景的结合令人憧憬。本文基于数据挖掘技术,对交通流量进行分析和预测。第一,以聚类技术为切入点,提出交通流量模式挖掘方法。综合考虑轮廓系数、Calinski-Harabaz 指数和 Davies-Bouldin 指数,利用 K-Means 和Agglomerative Clustering算法确定交通流量模式个数,将交通流量模式分为单峰和双峰两种类型,验证得出节假日与工作日分别对应不同的流量模式,并根据模式对数据集划分,再进行预测。第二,对应不同的原始数据,分别提出基于深度学习的流量预测模型。其一,在仅提供单监测站信息时,传统循环神经网络无法处理交通信息拼接后的无时序性。为了解决这一问题,本文提出Combined-Update Gate Recurrent Neural Network（CUGRNN）模型,利用多个循环神经网络提取交通信息的...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图３－２轮廓系数变化曲线??－－
２３４５６７８９??Ｋ?Ｖａｌｕｅ??图３－２轮廓系数变化曲线??图?３－２?给出了?Ｋ?从?２?到?９?变化时，Ｋ－Ｍｅａｎｓ?和?ＡｇｇｌｏｍｅｒａｔｉｖｅＣｌｕｓｔｅｒｉｎｇ?算法??下，交通流量平均轮廓系数的变化曲线。两条曲线总体单调递减，Ｋ取２为轮廓??系数判定的最优值。图３－３描绘了?Ｋ从２到５变化时，Ｋ－Ｍｅａｎｓ算法下每个样本??具体的轮廓系数值，横坐标表示每条样本的轮廓系数值，纵坐标表示Ｋ个簇的??不同样本，红色虚线所对应的横坐标代表平均轮廓系数，与图３－２?—一对应。同??样的，随着Ｋ增大，尽管有些样本点划分更加准确，但轮廓系数整体仍在减小。??２５??
Ｋ?Ｖａｌｕｅ??图３－４?Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｚ指数变化曲线??图３－４画出了?Ｃａｌｉｎｓｋｉ－Ｈａｍｂａｚ指数随Ｋ值变化的曲线，两种算法下曲线严??格单调递减，Ｋ取２为最优解，期望划分两种交通流量模式。??３．?Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?指数??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指数同样定义在聚类结果层面。思路是首先度量簇间相似度，??接着确定每个簇与其他簇划分最模糊的情况，最终只考虑这些划分最差的情况，??计算Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指数。簇ａ和族６的相似度５ａｂ定义如下：??ｄａ?＋?ｄｈ??ｓａｂ＝十（３－１３）??ｄａｂ??其中ｄａ表示族ａ中所有样本与簇ａ中心点的平均距离；ｄａ＆代表簇ａ和簇中心??点之间的距离。Ｓａｂ越大，说明簇ａ和簇６越相近，簇划分可能出现问题；值越小，??两个簇区别越大，划分正确的可能性越大。在此基础上，Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指数定??义如下：??Ｋ??ＤＢ?＝－＾ｍａｘ（５Ｑｂ）ａ＾ｂ?（３－１４）??ａ＝ｌ??数值越小，整体划分越好。如图３－５所示，两条Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指数曲线大??体单调递增，Ｋ取２为最优。??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?Ｃｕｒｖｅ????Ｋ－Ｍｅａｎｓ??Ａｇｇｌｏｍｅｒａｔｉｖｅ?Ｃｌｕｓｔｅｒｉｎｇ?今??２．４．??５?２．２?？?广???１?２－０＇?／??Ｓ１８＇?－?Ａ??１２?－Ｉ＿?
【参考文献】：
期刊论文
[1]大城市缓解交通拥堵对策研究——以济南市为例[J]. 刘达光. 科技经济导刊. 2018(12)
[2]城市快速路交通流特性分析[J]. 杨骁路,谷远利,邢珊珊,庄广新. 山东科学. 2016(03)
硕士论文
[1]基于深度学习的短时交通流量预测研究[D]. 乔松林.青岛大学 2018
[2]短时交通流预测问题的研究[D]. 于东海.山东大学 2017
[3]面向短时交通流量预测的神经网络算法研究[D]. 林海涛.南京邮电大学 2016
[4]基于聚类分析的BP神经网络短时交通流预测方法研究[D]. 张玮玮.重庆邮电大学 2016
[5]基于聚类WNN-ARIMA的短时交通流预测研究与应用[D]. 郝晓涛.大连理工大学 2016
本文编号：2913836
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图３－２轮廓系数变化曲线??－－
２３４５６７８９??Ｋ?Ｖａｌｕｅ??图３－２轮廓系数变化曲线??图?３－２?给出了?Ｋ?从?２?到?９?变化时，Ｋ－Ｍｅａｎｓ?和?ＡｇｇｌｏｍｅｒａｔｉｖｅＣｌｕｓｔｅｒｉｎｇ?算法??下，交通流量平均轮廓系数的变化曲线。两条曲线总体单调递减，Ｋ取２为轮廓??系数判定的最优值。图３－３描绘了?Ｋ从２到５变化时，Ｋ－Ｍｅａｎｓ算法下每个样本??具体的轮廓系数值，横坐标表示每条样本的轮廓系数值，纵坐标表示Ｋ个簇的??不同样本，红色虚线所对应的横坐标代表平均轮廓系数，与图３－２?—一对应。同??样的，随着Ｋ增大，尽管有些样本点划分更加准确，但轮廓系数整体仍在减小。??２５??
Ｋ?Ｖａｌｕｅ??图３－４?Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｚ指数变化曲线??图３－４画出了?Ｃａｌｉｎｓｋｉ－Ｈａｍｂａｚ指数随Ｋ值变化的曲线，两种算法下曲线严??格单调递减，Ｋ取２为最优解，期望划分两种交通流量模式。??３．?Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?指数??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指数同样定义在聚类结果层面。思路是首先度量簇间相似度，??接着确定每个簇与其他簇划分最模糊的情况，最终只考虑这些划分最差的情况，??计算Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指数。簇ａ和族６的相似度５ａｂ定义如下：??ｄａ?＋?ｄｈ??ｓａｂ＝十（３－１３）??ｄａｂ??其中ｄａ表示族ａ中所有样本与簇ａ中心点的平均距离；ｄａ＆代表簇ａ和簇中心??点之间的距离。Ｓａｂ越大，说明簇ａ和簇６越相近，簇划分可能出现问题；值越小，??两个簇区别越大，划分正确的可能性越大。在此基础上，Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指数定??义如下：??Ｋ??ＤＢ?＝－＾ｍａｘ（５Ｑｂ）ａ＾ｂ?（３－１４）??ａ＝ｌ??数值越小，整体划分越好。如图３－５所示，两条Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指数曲线大??体单调递增，Ｋ取２为最优。??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?Ｃｕｒｖｅ????Ｋ－Ｍｅａｎｓ??Ａｇｇｌｏｍｅｒａｔｉｖｅ?Ｃｌｕｓｔｅｒｉｎｇ?今??２．４．??５?２．２?？?广???１?２－０＇?／??Ｓ１８＇?－?Ａ??１２?－Ｉ＿?
【参考文献】：
期刊论文
[1]大城市缓解交通拥堵对策研究——以济南市为例[J]. 刘达光. 科技经济导刊. 2018(12)
[2]城市快速路交通流特性分析[J]. 杨骁路,谷远利,邢珊珊,庄广新. 山东科学. 2016(03)
硕士论文
[1]基于深度学习的短时交通流量预测研究[D]. 乔松林.青岛大学 2018
[2]短时交通流预测问题的研究[D]. 于东海.山东大学 2017
[3]面向短时交通流量预测的神经网络算法研究[D]. 林海涛.南京邮电大学 2016
[4]基于聚类分析的BP神经网络短时交通流预测方法研究[D]. 张玮玮.重庆邮电大学 2016
[5]基于聚类WNN-ARIMA的短时交通流预测研究与应用[D]. 郝晓涛.大连理工大学 2016
本文编号：2913836
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2913836.html
