基于集成LSTM的短时车流量预测模型研究

发布时间：2021-03-21 00:21

　　为了改善交通拥堵问题,许多城市开始部署和发展智能交通系统（Intelligent Transport System,ITS）。短时车流量预测作为ITS的重要基础技术,一直是ITS领域的研究重点和热点。本文利用射频识别（Radio Frequency Identification,RFID）车检数据,分别采用单个与集成（Bagging）的长短期记忆神经网络（Long Short-Term Memory,LSTM）对短时车流量预测开展研究,取得了良好效果。主要工作内容如下:首先,详细总结了现有的短时车流量预测方法,对短时交通流的基本参数、特性进行了分析,并对LSTM相关技术进行了阐述,为后续模型构建和实现奠定了基础。其次,建立单个LSTM预测模型。交通流量具有复杂的历史依赖性等特点,因此,本文选择使用LSTM进行建模,并基于python开源机器学习库实现模型。数据集采用RFID车检数据。通过训练好的模型预测某路口一天的交通流量,验证了模型的准确性。为提高模型的泛化能力和预测准确率,提出基于集成LSTM的短时车流量预测模型。在实现单个基于LSTM的短时车流量预测模型的基础上,考虑节假日、天气... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

数据来源路口表3.1原始数据示例

基于LSTM的短时车流量预测模型预测结果

37图 3.6 基于 LSTM 的短时车流量预测模型预测结果相对误差除了通过结果图进行分析，本文还引入前文介绍的常用模型评价指标中的绝对百分比误差 MAPE 和均方根误差 RMSE 对误差做定量计算，由 MAPE 可出模型的精确度，RMSE 能评估预测数据和模型的适应程度。经过计算 MA

【参考文献】：
期刊论文
[1]大数据下智能交通系统的发展综述[J]. 张溪.  信息与电脑(理论版). 2019(01)
[2]基于RFID的智能交通多路感知系统的设计与实现[J]. 胡倩菲.  中国新通信. 2018(24)
[3]基于LSTM的短时交通流预测研究[J]. 曹博,高茂庭.  现代计算机(专业版). 2018(25)
[4]交通大数据环境下短时交通流量预测研究[J]. 蔡晓禹,谭宇婷,雷财林,刘秀彩.  铁道运输与经济. 2018(08)
[5]基于改进的LSTM深度神经网络语音识别研究[J]. 赵淑芳,董小雨.  郑州大学学报(工学版). 2018(05)
[6]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[7]基于ARIMA和小波神经网络组合模型的交通流预测[J]. 成云,成孝刚,谈苗苗,周凯,李海波.  计算机技术与发展. 2017(01)
[8]基于LSTM网络的序列标注中文分词法[J]. 任智慧,徐浩煜,封松林,周晗,施俊.  计算机应用研究. 2017(05)
[9]基于深度学习的短时交通流预测[J]. 罗向龙,焦琴琴,牛力瑶,孙壮文.  计算机应用研究. 2017(01)
[10]集成BP神经网络预测模型的研究与应用[J]. 赵会敏,雒江涛,杨军超,徐正,雷晓,罗林.  电信科学. 2016(02)

硕士论文
[1]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[2]基于上下文的维度情感识别方法研究[D]. 饶启玉.江苏大学 2017
[3]基于RFID的智能交通信息感知系统的研究及实现[D]. 胡方来.扬州大学 2013



本文编号：3091943