基于融合SNN模型深度学习算法的交通状态预测研究
发布时间：2020-12-23 19:27
随着交通需求逐渐加大,道路交通拥堵问题也愈发严重。交通状态预测是准确进行交通管理与控制的重要依据之一,基于此,本文研究了一种基于融合SNN模型深度学习算法的交通状态预测方法,并建立一种考虑大型车因素的城市路网交通状态预测模型。本文的主要研究内容和创新之处有:（1）交通状态分析和交通数据预处理。确定以速度参量作为交通拥挤状态的划分标准,使用K-Means聚类算法作为交通状态划分方法,针对交通数据特征,设计了有限冲击响应（Finite Impulse Response,FIR）滤波器。（2）交通流速度预测算法设计。搭建了深度门限递归（Gated Recurrent Unit,GRU）神经网络,针对深度网络隐藏层全连接机制的不足,将脉冲神经网络（Spiking neural network,SNN）中积分点火神经元的信息传递机制融合到GRU神经网络的隐藏层,重新建立了神经元间的信息传递机制;利用美国联邦公路局的开放数据进行模型的预测效果评价,结果表明:Spiking-GRU神经网络具有较好的预测精度和收敛速度。（3）考虑大型车因素的城市路网道路交通状态预测。以行驶流路段作为研究对象,通过灰色...
【文章来源】：北方工业大学北京市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
部分数据示意图
（ａ）流量预处理前时序图?（ｂ）流量预处理后时序图??图２－８时间占有率预处理前后时序图??２．４本章总结??首先说明了交通状态研究的范围为路网路段微观的交通状态；然后分析了路??段中交通流参数的特点和相互联系；其次，将速度作为交通状态的评价参数，使??用Ｋ－Ｍｅａｎｓ聚类算法将路段速度根据不同的数据特点自适性的进行交通状态划??分；最后介绍了交通数据的预处理方法，包括异常值处理、缺失值处理和归一化??处理，通过ＦＩＲ滤波器的设计，重点对数据的平滑处理进行了研究。??１７??
（ａ）流量预处理前时序图?（ｂ）流量预处理后时序图??图２－８时间占有率预处理前后时序图??２．４本章总结??首先说明了交通状态研究的范围为路网路段微观的交通状态；然后分析了路??段中交通流参数的特点和相互联系；其次，将速度作为交通状态的评价参数，使??用Ｋ－Ｍｅａｎｓ聚类算法将路段速度根据不同的数据特点自适性的进行交通状态划??分；最后介绍了交通数据的预处理方法，包括异常值处理、缺失值处理和归一化??处理，通过ＦＩＲ滤波器的设计，重点对数据的平滑处理进行了研究。??１７??
【参考文献】：
期刊论文
[1]基于GRU-NN模型的短期负荷预测方法[J]. 王增平,赵兵,纪维佳,高欣,李晓兵. 电力系统自动化. 2019(05)
[2]考虑交通拥堵效应的大城市私家车出行成本分析[J]. 顾涛,刘泽,刘跃军,周凌. 山东科学. 2019(01)
[3]基于箱线图法的PSO-SVM在小麦种子分类中的应用研究[J]. 代斌. 河西学院学报. 2018(05)
[4]考虑大型车因素的支持向量机短时交通状态预测模型研究[J]. 孙静怡,牟若瑾,刘拥华. 公路交通科技. 2018(10)
[5]FIR数字滤波器零极点灵敏度分析及优化实现[J]. 庄陵,马靖怡,王光宇,关鹃. 通信学报. 2018(09)
[6]基于小波包与长短时记忆融合的铁路旅客流量预测模型[J]. 成强. 计算机系统应用. 2018(07)
[7]基于模糊C均值聚类和随机森林的短时交通状态预测方法[J]. 陈忠辉,凌献尧,冯心欣,郑海峰,徐艺文. 电子与信息学报. 2018(08)
[8]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉. 交通运输系统工程与信息. 2018(01)
[9]城区机动车尾气排放量与雾霾关系研究[J]. 闫伶. 环境科学与管理. 2017(01)
[10]北京市典型道路交通运行状态分析及预测研究[J]. 王明哲,郭敏. 交通运输系统工程与信息. 2013(02)
博士论文
[1]城市路网交通流分析预测及事故预警方法研究[D]. 杨艳芳.北京交通大学 2017
[2]城市道路路网交通运行状态分析方法及应用研究[D]. 苏飞.北京交通大学 2017
[3]城市道路交通拥堵传播规律及消散控制策略研究[D]. 龙建成.北京交通大学 2009
硕士论文
[1]基于LSTM深度网络的城市道路短时交通状态预测模型研究[D]. 陈韫.福建工程学院 2018
[2]基于GRU神经网络结合CRF的中文分词研究分析[D]. 慕容伟波.华南理工大学 2018
[3]基于机器学习的交通状态短时预测方法研究[D]. 张博.吉林大学 2018
[4]基于聚类的城市交通路网分区和交通状态判别[D]. 王晓轩.北京交通大学 2017
[5]基于GRU神经网络的时间序列预测研究[D]. 刘洋.成都理工大学 2017
[6]机动车怠速排放对社区大气环境的影响研究[D]. 王璐婷.北京交通大学 2016
[7]城市路网状态一致与边界协作信号控制方法研究[D]. 滑亚飞.北方工业大学 2016
[8]城市主干道短时交通流预测研究[D]. 刘乐敏.北方工业大学 2013
本文编号：2934233
【文章来源】：北方工业大学北京市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
部分数据示意图
（ａ）流量预处理前时序图?（ｂ）流量预处理后时序图??图２－８时间占有率预处理前后时序图??２．４本章总结??首先说明了交通状态研究的范围为路网路段微观的交通状态；然后分析了路??段中交通流参数的特点和相互联系；其次，将速度作为交通状态的评价参数，使??用Ｋ－Ｍｅａｎｓ聚类算法将路段速度根据不同的数据特点自适性的进行交通状态划??分；最后介绍了交通数据的预处理方法，包括异常值处理、缺失值处理和归一化??处理，通过ＦＩＲ滤波器的设计，重点对数据的平滑处理进行了研究。??１７??
（ａ）流量预处理前时序图?（ｂ）流量预处理后时序图??图２－８时间占有率预处理前后时序图??２．４本章总结??首先说明了交通状态研究的范围为路网路段微观的交通状态；然后分析了路??段中交通流参数的特点和相互联系；其次，将速度作为交通状态的评价参数，使??用Ｋ－Ｍｅａｎｓ聚类算法将路段速度根据不同的数据特点自适性的进行交通状态划??分；最后介绍了交通数据的预处理方法，包括异常值处理、缺失值处理和归一化??处理，通过ＦＩＲ滤波器的设计，重点对数据的平滑处理进行了研究。??１７??
【参考文献】：
期刊论文
[1]基于GRU-NN模型的短期负荷预测方法[J]. 王增平,赵兵,纪维佳,高欣,李晓兵. 电力系统自动化. 2019(05)
[2]考虑交通拥堵效应的大城市私家车出行成本分析[J]. 顾涛,刘泽,刘跃军,周凌. 山东科学. 2019(01)
[3]基于箱线图法的PSO-SVM在小麦种子分类中的应用研究[J]. 代斌. 河西学院学报. 2018(05)
[4]考虑大型车因素的支持向量机短时交通状态预测模型研究[J]. 孙静怡,牟若瑾,刘拥华. 公路交通科技. 2018(10)
[5]FIR数字滤波器零极点灵敏度分析及优化实现[J]. 庄陵,马靖怡,王光宇,关鹃. 通信学报. 2018(09)
[6]基于小波包与长短时记忆融合的铁路旅客流量预测模型[J]. 成强. 计算机系统应用. 2018(07)
[7]基于模糊C均值聚类和随机森林的短时交通状态预测方法[J]. 陈忠辉,凌献尧,冯心欣,郑海峰,徐艺文. 电子与信息学报. 2018(08)
[8]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉. 交通运输系统工程与信息. 2018(01)
[9]城区机动车尾气排放量与雾霾关系研究[J]. 闫伶. 环境科学与管理. 2017(01)
[10]北京市典型道路交通运行状态分析及预测研究[J]. 王明哲,郭敏. 交通运输系统工程与信息. 2013(02)
博士论文
[1]城市路网交通流分析预测及事故预警方法研究[D]. 杨艳芳.北京交通大学 2017
[2]城市道路路网交通运行状态分析方法及应用研究[D]. 苏飞.北京交通大学 2017
[3]城市道路交通拥堵传播规律及消散控制策略研究[D]. 龙建成.北京交通大学 2009
硕士论文
[1]基于LSTM深度网络的城市道路短时交通状态预测模型研究[D]. 陈韫.福建工程学院 2018
[2]基于GRU神经网络结合CRF的中文分词研究分析[D]. 慕容伟波.华南理工大学 2018
[3]基于机器学习的交通状态短时预测方法研究[D]. 张博.吉林大学 2018
[4]基于聚类的城市交通路网分区和交通状态判别[D]. 王晓轩.北京交通大学 2017
[5]基于GRU神经网络的时间序列预测研究[D]. 刘洋.成都理工大学 2017
[6]机动车怠速排放对社区大气环境的影响研究[D]. 王璐婷.北京交通大学 2016
[7]城市路网状态一致与边界协作信号控制方法研究[D]. 滑亚飞.北方工业大学 2016
[8]城市主干道短时交通流预测研究[D]. 刘乐敏.北方工业大学 2013
本文编号：2934233
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2934233.html
