基于深度学习的城市出租车流量预测模型
发布时间：2021-01-17 22:01
在城市中有大量的出租车,出租车流量预测问题与人们的生活息息相关,尤其是在一,二线城市,因出租车过多导致的道路拥堵严重影响着人们的工作生活,在上下班高峰期,该问题尤其明显,如果能准确地预测城市某区域的出租车流量,那么对于交通的疏导及出租车的调配是有极大指导意义的。如今深度学习模型具有强大的表征能力,可以将深度学习算法应用于交叉领域,如城市计算。本课题得益于公开的出租车流量数据,以此预测出未来某个时刻的出租车流量。在实际的预测场景中,模型还要考虑外部影响因素,如气温,降雨量,节假日,日期等,它们都会在一定程度上影响预测的准确度。本课题的相关工作以及研究成果如下:1)城市出租车流量预测模型设计:设计了两种出租车流量预测模型,分别基于卷积神经网络CNN模块与循环神经网络RNN模块,图卷积网络GCN模块与循环神经网络RNN模块,其中RNN模块使用BiLSTM模型,并都加入了时空注意力机制,考虑了外部影响因素。2)问题定义及数据集构建:分别定义了两种模型下的出租车流量预测问题。从美国纽约出租车网站收集2014年4月至2014年9月的黄,绿,Uber车出行数据,并收集到对应时段气温,降雨量,节假日,...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图2-1支持向量机分类图
第二章相关理论介绍13(*)()()()tfgxftgxt(2-5)对于连续形式的卷积，它是对f(x)与g(x)以自变量为x，对t在正负无穷大的区间求积分。可以以泳池放水为例来解释连续卷积积分形式，假设泳池以体积M开始放水，假设经过时间T后，泳池放水完毕，如果需要保持泳池中一直都有水，则需要在放水的同时对泳池进水。放水与进水的速度分别为f(x)与g(x),公式2-4便表示时间T后泳池中的水量。对于离散形式卷积的不妨以对室内喷香水为例，假设要保持室内一直有香气，但是香水作用会随着时间一直减弱。假设香水按照固定时间段喷，每单位时间喷的香水量为f(t)，如果不喷香水，室内残余香水量为g(t)，喷香水，室内香水残余量为k(t)。t表示单位时间，则t=1时，k(t)=f(t)g(t1)，t=2时，剩余香气为之前的香水衰减后的加喷入的香水衰减后的，为k(t)=f(t)g(t2)+f(t1)g(t1)，以此类推，当t=3时，室内剩余香气也应为之前衰减后的和喷入衰减后的相加。这样室内在第t时刻剩余的香水表现形式便为公式2-5，这就是离散卷积。2.4.2二维卷积卷积网络二维卷积的过程如图2-2所示：图2-2二维卷积图如图2-2所示，二维卷积的过程是按照卷积核与一层张量对应区域的每一点相乘再全部相加，得到下一层张量的一个值，并且卷积核是按照设定好的步长移动，逐个求出输出张量上的数值。卷积核，也就是感知野可以有多个，有多少卷积核，就有多少个输出张量。二维卷积常见于计算机视觉等领域，用于提取图像特征。
电子科技大学硕士学位论文142.4.3激活函数对于神经网络，其中大部分是非线性操作，而激活函数正是将非线性操作引入神经网络中的关键技术之一。激活函数应当具有可微，非线性，单调等性质，这样在网络的反向传播时可以进行求导操作，并且对网络中参数进行非线性操作，同时单调保证其为凸函数。下面介绍几种神经网络中常见的激活函数。1)sigmod函数：sigmod函数常用于神经网络的隐藏层及输出层中，它可以将输入x通过非线性操作压缩到(0,1)区间内，如逻辑回归就是在线性回归的基础上加入了sigmod函数。sigmod函数如公式2-6所示：1Sigmoid(x)1xe(2-6)sigmod函数的分布图如图2-3所示：图2-3sigmod函数图sigmod函数简单易懂，它的求导结果可以使用自身表示，可以将输出压缩到(0,1)区间内并求得分类概率，但是随着神经网络层数的加深，sigmod函数求导的结果会无限趋向于0,这样会引发梯度消失的问题。同时如图2-3所示，sigmod函数并不是0均值的，这样假设一个最坏的情况，如果输入全正或者全负，那么，函数输出值在求导后也会全正或者全负，网络收敛较慢。2)tanh函数tanh函数是基于sigmod函数，并在其上进行了改进，函数如公式2-7所示：tanh()zzzzeezee(2-7)
【参考文献】：
期刊论文
[1]基于多特征GBDT模型的收费站短时交通流量预测[J]. 林培群,周楠楠. 广西大学学报(自然科学版). 2018(03)
[2]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)
[3]基于奇异谱分析和CKF-LSSVM的短时交通流量预测[J]. 商强,杨兆升,张伟,邴其春,周熙阳. 吉林大学学报(工学版). 2016(06)
[4]基于小波神经网络的短时交通流预测[J]. 金玉婷,余立建. 交通科技与经济. 2014(01)
硕士论文
[1]基于小波分析和遗传神经网络的短时城市交通流量预测研究[D]. 李波.北京交通大学 2012
[2]基于混沌和SVR的短时交通流预测方法研究[D]. 徐永俊.西南交通大学 2011
本文编号：2983667
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图2-1支持向量机分类图
第二章相关理论介绍13(*)()()()tfgxftgxt(2-5)对于连续形式的卷积，它是对f(x)与g(x)以自变量为x，对t在正负无穷大的区间求积分。可以以泳池放水为例来解释连续卷积积分形式，假设泳池以体积M开始放水，假设经过时间T后，泳池放水完毕，如果需要保持泳池中一直都有水，则需要在放水的同时对泳池进水。放水与进水的速度分别为f(x)与g(x),公式2-4便表示时间T后泳池中的水量。对于离散形式卷积的不妨以对室内喷香水为例，假设要保持室内一直有香气，但是香水作用会随着时间一直减弱。假设香水按照固定时间段喷，每单位时间喷的香水量为f(t)，如果不喷香水，室内残余香水量为g(t)，喷香水，室内香水残余量为k(t)。t表示单位时间，则t=1时，k(t)=f(t)g(t1)，t=2时，剩余香气为之前的香水衰减后的加喷入的香水衰减后的，为k(t)=f(t)g(t2)+f(t1)g(t1)，以此类推，当t=3时，室内剩余香气也应为之前衰减后的和喷入衰减后的相加。这样室内在第t时刻剩余的香水表现形式便为公式2-5，这就是离散卷积。2.4.2二维卷积卷积网络二维卷积的过程如图2-2所示：图2-2二维卷积图如图2-2所示，二维卷积的过程是按照卷积核与一层张量对应区域的每一点相乘再全部相加，得到下一层张量的一个值，并且卷积核是按照设定好的步长移动，逐个求出输出张量上的数值。卷积核，也就是感知野可以有多个，有多少卷积核，就有多少个输出张量。二维卷积常见于计算机视觉等领域，用于提取图像特征。
电子科技大学硕士学位论文142.4.3激活函数对于神经网络，其中大部分是非线性操作，而激活函数正是将非线性操作引入神经网络中的关键技术之一。激活函数应当具有可微，非线性，单调等性质，这样在网络的反向传播时可以进行求导操作，并且对网络中参数进行非线性操作，同时单调保证其为凸函数。下面介绍几种神经网络中常见的激活函数。1)sigmod函数：sigmod函数常用于神经网络的隐藏层及输出层中，它可以将输入x通过非线性操作压缩到(0,1)区间内，如逻辑回归就是在线性回归的基础上加入了sigmod函数。sigmod函数如公式2-6所示：1Sigmoid(x)1xe(2-6)sigmod函数的分布图如图2-3所示：图2-3sigmod函数图sigmod函数简单易懂，它的求导结果可以使用自身表示，可以将输出压缩到(0,1)区间内并求得分类概率，但是随着神经网络层数的加深，sigmod函数求导的结果会无限趋向于0,这样会引发梯度消失的问题。同时如图2-3所示，sigmod函数并不是0均值的，这样假设一个最坏的情况，如果输入全正或者全负，那么，函数输出值在求导后也会全正或者全负，网络收敛较慢。2)tanh函数tanh函数是基于sigmod函数，并在其上进行了改进，函数如公式2-7所示：tanh()zzzzeezee(2-7)
【参考文献】：
期刊论文
[1]基于多特征GBDT模型的收费站短时交通流量预测[J]. 林培群,周楠楠. 广西大学学报(自然科学版). 2018(03)
[2]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)
[3]基于奇异谱分析和CKF-LSSVM的短时交通流量预测[J]. 商强,杨兆升,张伟,邴其春,周熙阳. 吉林大学学报(工学版). 2016(06)
[4]基于小波神经网络的短时交通流预测[J]. 金玉婷,余立建. 交通科技与经济. 2014(01)
硕士论文
[1]基于小波分析和遗传神经网络的短时城市交通流量预测研究[D]. 李波.北京交通大学 2012
[2]基于混沌和SVR的短时交通流预测方法研究[D]. 徐永俊.西南交通大学 2011
本文编号：2983667
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2983667.html
