短期交通流深度学习预测模型及其并行训练

发布时间：2020-12-28 03:43

　　实时、准确的短期交通流预测是交通控制与交通诱导的前提,对交通拥堵的缓解、社会经济的进步有着重要的意义。深度学习的出现为交通流预测提供了新的思路,本文采用深度信念网络（deepbeliefnetwork,DBN）与栈式自动编码器（stacked autoencoder,SAE）两种深度网络分别构建交通流预测模型,通过无监督学习的方式提取交通流特征。然而,DBN与SAE预测模型的训练过程是非常耗时的,不能很好满足交通流预测应用系统的实时性要求。本文提出了一种基于数据并行方式的并行训练策略,分析了并行训练的可行性,推导了并行训练的公式,从而缩短了两种交通流预测模型的训练时间,提高了预测应用的实时性。具体研究内容如下:首先,选取单路段单个断面的交通流量为研究对象,基于两种深度学习网络分别构建交通流预测模型,并完成模型的训练与测试过程。将其测试结果与传统模型的测试结果进行对比。本文选用的传统模型包括BP神经网络（backpropagation neural network,BP-NN）与支持向量机（support vectormachine,SVM）。仿真结果表明,两种基于深度网络的模型预测精度... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

图２－４?Ｔａｎｈ函数??Ｆｉｇｕｒｅ?２－４?Ｔａｎｈ?ｆｕｎｃｔｉｏｎ??

?５?１０??图２－４?Ｔａｎｈ函数??Ｆｉｇｕｒｅ?２－４?Ｔａｎｈ?ｆｕｎｃｔｉｏｎ??相对于ｓｉｇｍｏｉｄ函数，ｔａｎｈ函数的输出以０为中心，用其作为激活函数，收敛??速度也较快。但与ｓｉｇｍｏｉｄ函数相似，选用ｔａｎｈ函数作为激活函数，在误差反传过??程中依然会出现梯度消失的问题。??（３）?ＲｅＬＵ?函数??１６??

常是在误差函数表达式中入项，项Ｌ１正则化的处理方法是通过限定权值来得到一个稀疏合问题。??化??Ｌ２?ｒｅｇｕｌａｒｉｚａｔｉｏｎ）与Ｌ１正则化相似，也是对误差函数进Ｅ?＝?Ｅ０＋＾－Ｙ，ｗ２Ｌ１正则化的原理相似，同样是对权值进行限定。使用Ｌ２过程中可以将权值的范数限制在一定范围内，使最终的ｉｇｈｔ?ｄｅｃａｙ）。权值衰减使模型复杂度降低，从而解决过ｔ??是针对模型来解决过拟合问题的一种方法，采用直接减如图２－６所示。Ｄｒｏｐｏｕｔ方法的具体过程是在每一次迭代层的一部分神经元，丢弃比例视具体情况而定。这样在，可以得到稀疏的网络参数，从而减少参数的计算量。??


本文编号：2943065