基于CNN和LSTM的城市区域交通流量预测

发布时间：2020-12-14 22:24

　　近年来,随着交通需求的不断增加,出现了一系列交通问题,尤其是交通拥堵问题。为了有效地缓解这一问题,智能交通系统(ITS)被广泛应用于动态交通管理中,预测交通流量的问题一直是智能交通系统的研究重点。如果能够预测一个地区的车辆流动情况,那么可以通过利用应急措施来预防和管理。同时,交通流预测问题又非常具有挑战性,因为它受到许多复杂因素的影响,如区域间交通,事件和天气。因此,如何融合各领域数据资源,完善交通资源配置,提高道路交通效率,保证交通质量,保障交通系统安全成为亟待解决的问题。在此背景下,本文针对交通时空数据特点,提出了一种预测交通流量的方法,是基于深度学习来预测。首先,全面总结现有的交通流量预测方法并进行比较;其次,对交通流预测中涉及到的基本定义、参数进行详细阐述;再次,详细介绍了机器学习和深度学习理论,为后续建立模型奠定理论基础;然后,采用深度学习中的CNN、LSTM作为基本网络结构,并对其进行组合得到新模型来对交通流进行预测;最后,利用北京市2015年的出租车出行数据来对模型训练、测试。通过与其他方法进行对比可说明,基于CNN组合LSTM的交通流预测模型的均方根误差(RMSE)更低... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 国内外研究现状综述
        1.2.1 交通流要素及其特征表示
        1.2.2 交通流预测模型综述
    1.3 研究的目的与意义
    1.4 本章小结
2 交通流数据概述及处理
    2.1 交通流数据基本参数
    2.2 交通流数据基本特性
    2.3 交通流数据预处理
        2.3.1 实验数据预处理
        2.3.2 影响交通流预测的外部信息预处理
    2.4 本章小结
3 机器学习相关理论研究
    3.1 机器学习理论
        3.1.1 机器学习概述
        3.1.2 机器学习的技术分类
    3.2 深度学习理论
        3.2.1 深度学习概述
        3.2.2 深度学习基础
    3.3 本章小结
4 基于CNN+LSTM的神经网络模型
    4.1 卷积神经网络
        4.1.1 卷积神经网络概述
        4.1.2 卷积神经网络特点
        4.1.3 卷积神经网络的结构
    4.2 RNN神经网络
        4.2.1 循环神经网络简介
        4.2.2 循环神经网络的结构
        4.2.3 循环神经网络训练
    4.3 LSTM网络模型
        4.3.1 LSTM网络模型简介及其结构
        4.3.2 LSTM模型的训练
    4.4 CNN+LSTM模型建立
        4.4.1 基本框架
        4.4.2 模型损失函数及评价指标
    4.5 模型实现技术语言简介
    4.6 本章小结
5 实证分析
    5.1 研究对象介绍
    5.2 实验数据集选取
    5.3 模型参数确定
    5.4 实验环境介绍
    5.5 基准对比模型及结果分析
    5.6 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[2]智慧城市视频大数据的趋势和挑战[J]. 田永鸿,黄铁军,高文.  中国铁路. 2016(01)
[3]基于组合预测模型的短时交通流预测[J]. 李颖宏,刘乐敏,王玉全.  交通运输系统工程与信息. 2013(02)



本文编号：2917112