基于混合式深度学习模型的城市交通拥堵识别及预警研究
发布时间：2021-01-26 07:39
改革开放以来,城市化进程加快,居民生活水平提高,城市机动车保有量的快速增长在给人们带来便利的同时,也带来了日益严峻的交通拥堵问题,在一定程度上制约着城市的发展,良好的城市交通运行状况与社会效益的提高有着密不可分的联系,因此,对城市交通拥堵问题进行研究具有重大意义。随着大数据与深度学习的快速发展,智能交通系统（ITS）越来越成为未来交通发展的新方向,本文旨在利用深度学习模型对城市交通拥堵进行识别与预警。其中,常发性城市交通拥堵有明显的时间和地点分布规律,具有较强的可预测性;偶发性拥堵则是由于交通事故、突发事件或天气等原因造成的随机拥堵现象,随机性强较难预测。本文综合考虑常发性城市交通拥堵与偶发性城市交通拥堵的致堵因素,实现对城市交通拥堵的识别与预警,使交通管理部门对城市交通拥堵现象进行整体把控。本文构建的混合式深度学习模型主要包含两个部分,底层为典型的深度学习模型自编码网络（AE）,通过利用大量数据对其进行特征学习训练,能够得到城市道路中交通拥堵情况的潜在规律,习得数据特征后通过上层的支持向量机（SVM）模型,对城市道路交通拥堵情况进行分类,得到五种不同等级的交通运行状态。最后在深度学习...
【文章来源】：大连交通大学辽宁省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
图３．２碎石图??Ｆｉｇ．?３．２?Ｇｒａｖｅｌ?ｍａｐ??
?第四章基于混合式深度学习的交通拥堵识别与预警???＿??０＾?ｈｗ，ｂ（ｘ）输出层１３??输入层丨１??图４．１自编码网络结构示意图??Ｆｉｇ．?４．１?Ａｕｔｏ－Ｅｎｃｏｄｅｒ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??以上述图中的自编码网络结构为例，我们假设输出等于输入来训练这个网络参数，??当网络的输入量确定后，唯一需要确定的就是隐含层的个数。我们可以看到，网络的输??入与输出都是一个６维的向量，隐含层是一个３维的向量，自编码网络可以将原始量通??过编码映射成为另外一组量，这组新生成的量又可以通过译码恢复成原始输入量，如果??我们分开来看，那么中间的隐藏层中的输出量，其实可以看作是另外一种的表达。这就??好比我们在区分不同的人时，我们直接见到这个人时你可以很容易的区分他和其他人，??但是当你不能看到这个人的时候，你可以说这个人的名字，同样可以将他和其他人区别??开来，所以，其实这个人的名字就是在另外一种条件下的不同表达，也是一个属于他本??人的一个特征，而往往这种特征更容易让我们去区分他和别人的不同。??在大数据革命的浪潮下，数据和信息越来越被人们所重视，信息及数据的价值凸显，??数据获取及处理等一系列技术的进步是推动“大数据革命”爆发的动力，随着数据信息??生产的要素化，与数据相关的一系列科学技术的不断改进与发展，正在无形和有形中推??动着国家的进步，带动着区域经济的发展、智慧城市的建设、企业管理、社会管理和个??人的工作与生活等各个领域的创新与变革。机器学习出现的主要贡献在于它可以提取出??数据的主要特征，以前的特征要么是人为设计出来的，要么是浅层学习出来的，深度学??习的出现正在逐渐打败传统的模式识别领
个层次的数据特征都学习出??来，这就是深度学习优于以往学习算法的地方。??４．１．３支持向量机??支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，简称ＳＶＭ），是一种能够通过监督学习对??数据进行二分类的广义线性判别模型，它是在深度学习出现之前表现性能最好的一种机??器学习方法，常用来做分类器。??ＳＶＭ由感知机发展而来，感知机可以看作是低配版的线性ＳＶＭ，在线性可分的两??类数据中感知机可以在有限的步骤中计算出一个分离超平面（或一条直线），将这两类??完全分离开来。如图４．２所示：??图４．２感知机训练出来的４个不同的线性分类器??Ｆｉｇ．?４．２?ｆｏｕｒ?ｄｉｆｆｅｒｅｎｔ?ｌｉｎｅａｒ?ｃｌａｓｓｉｆｉｅｒｓ?ｔｒａｉｎｅｄ?ｂｙ?ｔｈｅ?ｐｅｒｃｅｐｔｒｏｎ??在两类样本线性可分的情况下，感知机可以保证找出一个解，但并不是唯一解，即??决策边界的质量褒贬不一，我们想要找到一条两边间隔最大的分离超平面（或一条直??线），即找出感知机所有解中的最优解，这就是线性ＳＶＭ所做的事情。当模型的约朿??限制条件变多时，该模型的解就越来越少，当我们给感知机的损失函数加上更多限制条??件进行约束时，就可以有效减少解的个数，从而达到优化解的目的。??假设给定输入数据ｘ?＝?其中输入数据的每个样本都包括多个特征并由??此构成特征空间Ｘ?，ｘ２，？?ｅ?ｘ，学习标签为二元变量少ｅ?？｛?＋１，－１１表示输出结果的??正类和负类。那么输入数据所在的特征空间将在作为抉择边界的超平面＋?＝?０可以??将样本点按照正负类区分幵来，并且使任意的样本点到平面距离大于等于１，即??＋６）?２１，也就是说，该分类问题具有线性可分性，
【参考文献】：
期刊论文
[1]基于矩形法的交通拥堵传播模型研究[J]. 吴琰飘,蔡晓禹,陈明亮,李静. 城市交通. 2018(05)
[2]城市交通拥堵治理的研究综述和建议[J]. 雷洋,黄承锋. 综合运输. 2018(04)
[3]改进RNN的城市交通拥堵预测模型研究[J]. 秦瑶,李勇,王世民. 电子世界. 2018(06)
[4]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)
[5]基于深度学习的短时交通流量预测[J]. 乔松林,孙仁诚,刘吉. 青岛大学学报(自然科学版). 2017(04)
[6]交通事件下快速路拥堵蔓延消散时空范围模型[J]. 臧金蕊,宋国华,万涛,高永,费文鹏,于雷. 交通运输系统工程与信息. 2017(05)
[7]基于深度学习的空域拥堵预测建模[J]. 丁辉,王冠,谢鹏. 信息化研究. 2017(04)
[8]基于速度的城市快速路交通拥堵预测研究[J]. 邢珊珊,谷远利,沈立杰,杨骁路,庄广新. 交通信息与安全. 2016(02)
[9]深度学习在城市交通流预测中的实践研究[J]. 尹邵龙,赵亚楠. 现代电子技术. 2015(15)
[10]基于深度学习的交通拥堵预测模型研究[J]. 谭娟,王胜春. 计算机应用研究. 2015(10)
博士论文
[1]城市道路交通拥堵机理及控制方法研究[D]. 黄艳国.华南理工大学 2015
[2]城市交通拥堵传播机理及其控制策略研究[D]. 袁绍欣.长安大学 2012
[3]城市交通网络拥挤识别[D]. 王建玲.西南交通大学 2008
硕士论文
[1]城市道路交通拥堵扩散机理研究[D]. 常桃宁.西南交通大学 2018
[2]城市交通流量预测及控制策略研究[D]. 张崇娇.中北大学 2018
[3]城市快速路瓶颈路段交通流状态判别及拥堵机理研究[D]. 伍帅.华南理工大学 2017
[4]城市快速路突发事件应急交通疏散方法研究[D]. 胡雁宾.吉林大学 2017
[5]恶劣天气对城市快速路网交通状态影响规律研究[D]. 和飞飞.北京交通大学 2016
[6]城市主干路交通拥堵预测方法研究[D]. 张富强.长安大学 2015
[7]基于RFID数据的城市道路交通状态判别方法[D]. 王静.东南大学 2015
[8]基于微波数据的城市快速路常发性拥堵评价方法研究[D]. 闫小倩.北京交通大学 2015
[9]典型交通事件下道路拥堵的网络化蔓延特性研究[D]. 张凡.北京交通大学 2014
[10]基于交通波理论的典型交通事件下拥堵蔓延消散模型[D]. 张晓燕.北京交通大学 2014
本文编号：3000735
【文章来源】：大连交通大学辽宁省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
图３．２碎石图??Ｆｉｇ．?３．２?Ｇｒａｖｅｌ?ｍａｐ??
?第四章基于混合式深度学习的交通拥堵识别与预警???＿??０＾?ｈｗ，ｂ（ｘ）输出层１３??输入层丨１??图４．１自编码网络结构示意图??Ｆｉｇ．?４．１?Ａｕｔｏ－Ｅｎｃｏｄｅｒ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??以上述图中的自编码网络结构为例，我们假设输出等于输入来训练这个网络参数，??当网络的输入量确定后，唯一需要确定的就是隐含层的个数。我们可以看到，网络的输??入与输出都是一个６维的向量，隐含层是一个３维的向量，自编码网络可以将原始量通??过编码映射成为另外一组量，这组新生成的量又可以通过译码恢复成原始输入量，如果??我们分开来看，那么中间的隐藏层中的输出量，其实可以看作是另外一种的表达。这就??好比我们在区分不同的人时，我们直接见到这个人时你可以很容易的区分他和其他人，??但是当你不能看到这个人的时候，你可以说这个人的名字，同样可以将他和其他人区别??开来，所以，其实这个人的名字就是在另外一种条件下的不同表达，也是一个属于他本??人的一个特征，而往往这种特征更容易让我们去区分他和别人的不同。??在大数据革命的浪潮下，数据和信息越来越被人们所重视，信息及数据的价值凸显，??数据获取及处理等一系列技术的进步是推动“大数据革命”爆发的动力，随着数据信息??生产的要素化，与数据相关的一系列科学技术的不断改进与发展，正在无形和有形中推??动着国家的进步，带动着区域经济的发展、智慧城市的建设、企业管理、社会管理和个??人的工作与生活等各个领域的创新与变革。机器学习出现的主要贡献在于它可以提取出??数据的主要特征，以前的特征要么是人为设计出来的，要么是浅层学习出来的，深度学??习的出现正在逐渐打败传统的模式识别领
个层次的数据特征都学习出??来，这就是深度学习优于以往学习算法的地方。??４．１．３支持向量机??支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，简称ＳＶＭ），是一种能够通过监督学习对??数据进行二分类的广义线性判别模型，它是在深度学习出现之前表现性能最好的一种机??器学习方法，常用来做分类器。??ＳＶＭ由感知机发展而来，感知机可以看作是低配版的线性ＳＶＭ，在线性可分的两??类数据中感知机可以在有限的步骤中计算出一个分离超平面（或一条直线），将这两类??完全分离开来。如图４．２所示：??图４．２感知机训练出来的４个不同的线性分类器??Ｆｉｇ．?４．２?ｆｏｕｒ?ｄｉｆｆｅｒｅｎｔ?ｌｉｎｅａｒ?ｃｌａｓｓｉｆｉｅｒｓ?ｔｒａｉｎｅｄ?ｂｙ?ｔｈｅ?ｐｅｒｃｅｐｔｒｏｎ??在两类样本线性可分的情况下，感知机可以保证找出一个解，但并不是唯一解，即??决策边界的质量褒贬不一，我们想要找到一条两边间隔最大的分离超平面（或一条直??线），即找出感知机所有解中的最优解，这就是线性ＳＶＭ所做的事情。当模型的约朿??限制条件变多时，该模型的解就越来越少，当我们给感知机的损失函数加上更多限制条??件进行约束时，就可以有效减少解的个数，从而达到优化解的目的。??假设给定输入数据ｘ?＝?其中输入数据的每个样本都包括多个特征并由??此构成特征空间Ｘ?，ｘ２，？?ｅ?ｘ，学习标签为二元变量少ｅ?？｛?＋１，－１１表示输出结果的??正类和负类。那么输入数据所在的特征空间将在作为抉择边界的超平面＋?＝?０可以??将样本点按照正负类区分幵来，并且使任意的样本点到平面距离大于等于１，即??＋６）?２１，也就是说，该分类问题具有线性可分性，
【参考文献】：
期刊论文
[1]基于矩形法的交通拥堵传播模型研究[J]. 吴琰飘,蔡晓禹,陈明亮,李静. 城市交通. 2018(05)
[2]城市交通拥堵治理的研究综述和建议[J]. 雷洋,黄承锋. 综合运输. 2018(04)
[3]改进RNN的城市交通拥堵预测模型研究[J]. 秦瑶,李勇,王世民. 电子世界. 2018(06)
[4]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)
[5]基于深度学习的短时交通流量预测[J]. 乔松林,孙仁诚,刘吉. 青岛大学学报(自然科学版). 2017(04)
[6]交通事件下快速路拥堵蔓延消散时空范围模型[J]. 臧金蕊,宋国华,万涛,高永,费文鹏,于雷. 交通运输系统工程与信息. 2017(05)
[7]基于深度学习的空域拥堵预测建模[J]. 丁辉,王冠,谢鹏. 信息化研究. 2017(04)
[8]基于速度的城市快速路交通拥堵预测研究[J]. 邢珊珊,谷远利,沈立杰,杨骁路,庄广新. 交通信息与安全. 2016(02)
[9]深度学习在城市交通流预测中的实践研究[J]. 尹邵龙,赵亚楠. 现代电子技术. 2015(15)
[10]基于深度学习的交通拥堵预测模型研究[J]. 谭娟,王胜春. 计算机应用研究. 2015(10)
博士论文
[1]城市道路交通拥堵机理及控制方法研究[D]. 黄艳国.华南理工大学 2015
[2]城市交通拥堵传播机理及其控制策略研究[D]. 袁绍欣.长安大学 2012
[3]城市交通网络拥挤识别[D]. 王建玲.西南交通大学 2008
硕士论文
[1]城市道路交通拥堵扩散机理研究[D]. 常桃宁.西南交通大学 2018
[2]城市交通流量预测及控制策略研究[D]. 张崇娇.中北大学 2018
[3]城市快速路瓶颈路段交通流状态判别及拥堵机理研究[D]. 伍帅.华南理工大学 2017
[4]城市快速路突发事件应急交通疏散方法研究[D]. 胡雁宾.吉林大学 2017
[5]恶劣天气对城市快速路网交通状态影响规律研究[D]. 和飞飞.北京交通大学 2016
[6]城市主干路交通拥堵预测方法研究[D]. 张富强.长安大学 2015
[7]基于RFID数据的城市道路交通状态判别方法[D]. 王静.东南大学 2015
[8]基于微波数据的城市快速路常发性拥堵评价方法研究[D]. 闫小倩.北京交通大学 2015
[9]典型交通事件下道路拥堵的网络化蔓延特性研究[D]. 张凡.北京交通大学 2014
[10]基于交通波理论的典型交通事件下拥堵蔓延消散模型[D]. 张晓燕.北京交通大学 2014
本文编号：3000735
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3000735.html
