基于深度学习的城市路网交通流预测

发布时间：2021-07-05 23:36

　　伴随着中国的现代化进程,中国社会经济飞速发展,截止2017年底,中国机动车保有量已经达到3.1亿辆,但由于人口向城市聚集,城市中的交通路网承受着巨大压力,交通拥堵问题成为城市交通路网中的普遍问题。在目前的智能交通信息系统中,交通流量预测是重要的一环,也是解决交通拥堵问题的关键所在。在采集大量交通信息的基础上,精准的交通流量预测有助于智能交通信息系统高效的分析路网状况,及时的向管理者和出行者反馈交通信息,从而对路网进行更好的规划,提高路网利用率。传统的交通流量预测方法一般基于单条道路的历史数据进行非线性拟合,用到的数据量小,模型简单,过拟合严重,一些学者考虑了道路的时空特征,针对性的提出了路网压缩的思想,但由于大多是手工分析特征,路网压缩算法泛化性能差,无法支持大规模高维度的城市路网数据。为了弥补以上传统交通流量预测方法的不足,更好的对大规模城市路网整体进行预测,本文提出一种基于深度学习的城市路网交通流预测框架。首先引入机器学习中的特征工程方法,对大规模交通路网数据进行特征处理,使用基于SVDD和孤立森林的异常检测方法剔除数据中的异常节点,通过基于差分的平稳性检验获得最优参数,通过基于C... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

感知机模型

?ｂ?Ｖ??图３．１感知机模型??如图３．１所示，感知机是具有单层神经元结构的神经网络，输出公式为：??Ｎ??ｓｃｏｒｅｓ?＝?＾?ｗｔｘｔ?＋?ｂ??＇?（３－１）??由于感知机过于简单，并且只能适用于线性可分的样本，因此专家学者想到??了在感知机的输入和输出之间加入隐层，形成了神经网络的基本模型结构??Ｌａｖｅｒ?Ｌａｙｅｒ?Ｌ２??图３．２神经网络结构图??如图３．２所示，神经网络由输入层、隐层和输出层组成，根据隐层的个数可以将??神经网络分为浅层神经网络和深度神经网络。深度学习与传统的神经网络类似，同样??由输入层、隐藏层和输出层这三种组成，每一层之间没有联系，在层与层之间进行了??１４??

整流层（Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ?ｌａｙｅｒ，?ＲｅＬＵ?ｌａｙｅｒ），使用?ＲｅＬＵ?的激活函数，ＲｅＬＵ可以将特征稀疏画，防止模型过拟合，ＲｅＬ：??／（ｊｃ）?＝?ｍａｘ（０，Ａ＊）层（Ｐｏｏｌｉｎｇｌａｙｅｒ），由于卷积层后提取到的特征往往维度过高征分区域取平均值或者最大值，从而降低特征维度，简化模接层（Ｆｕｌｌｙ－Ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒ），是将前一层全部连接起来，将成为全局特征，一般用于连接输出层。??为一个单隐层的简单ＣＮＮ模型，采用单隐层结构，由上至下层，池化层，全连接层和输出层，卷积层和池化层相连，之后通输出的所有特征节点进行全连接作为输出。其中ｗ表示卷积层使池化层的子采样因子。??

【参考文献】：
期刊论文
[1]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞.  北京工业大学学报. 2018(12)
[2]基于时空融合的城市快速路短时交通流预测[J]. 陆文琦,谷远利,陈伦.  计算机仿真. 2018(09)
[3]《2017年中国主要城市公共交通大数据分析报告》发布[J].   人民公交. 2018(05)
[4]基于异常检测算法的动车组牵引电机故障预测[J]. 顾佳,安帅,张杜玮.  设备管理与维修. 2018(08)
[5]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)
[6]基于CNN-SVR混合深度学习模型的短时交通流预测[J]. 罗文慧,董宝田,王泽胜.  交通运输系统工程与信息. 2017(05)
[7]基于深度学习的车标识别算法的研究与实现[J]. 陈小娥,杨薇薇.  长春工程学院学报(自然科学版). 2017(02)
[8]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)
[9]基于支持向量机回归的短时交通流预测模型[J]. 傅贵,韩国强,逯峰,许子鑫.  华南理工大学学报(自然科学版). 2013(09)
[10]基于时空依赖性的区域路网短时交通流预测模型[J]. 常刚,张毅,姚丹亚.  清华大学学报(自然科学版). 2013(02)

硕士论文
[1]智能交通系统中基于机器视觉的交通流量统计研究[D]. 彭智.电子科技大学 2016



本文编号：3267057