基于卷积神经网络的交通速度预测算法研究
发布时间：2021-07-20 06:39
交通预测问题是智能交通系统研究的重要问题,交通速度是衡量交通状态的一个重要指标,交通速度预测不仅可以为交通管理者提供科学依据,还可以为其他道路服务如路径规划提供支持。对于交通速度预测问题,传统的解决方法主要分为两类,一类为只考虑单个路段或者单个检测器的交通速度的模型,如LSTM,GRU等,但这类模型训练的时间复杂度较高,一类方法为综合考虑交通速度的时空相关性的模型,但是常常会忽略外部影响因素如天气的影响,往往不能得到较精确的预测效果。为了实现更加精准的交通速度预测,本文提出了基于时间卷积网络的交通速度预测模型,本文的主要工作如下:（1）针对只考虑单个路段或者单个检测器历史交通速度的交通速度预测问题,本文提出了一个反向传播时间卷积网络（Back-Propagation Temporal Convolutional Network,BTCN）,该模型利用空洞因果卷积可以捕获较长时间的时间依赖关系,这也是时间卷积网络首次运用到交通速度预测问题中。实验结果表明BTCN相比传统的LSTM网络和GRU网络具有更高的预测准确率,另外BTCN模型的训练速度相比GRU网络提升了19.8%。（2）针对路段...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
交通速度的时空依赖关系，（a）交通速度的时间依赖关系，（b）交通速度的空间依赖关系
重庆大学硕士学位论文2相关技术理论10合的问题，为了解决这个问题，需要在原来的损失函数的基础上增加正则化项，增加正则化项之后的损失函数为：=+‖‖+(2.4)其中和指的是正则项的权重，这两个权重值一般需要通过调参得到。通过使损失函数降低到某个阈值，可以得到最优化的两个因子矩阵P和Q，这样就可以使用如下的公式对原矩阵中未知的元素进行预测：=(2.5)2..2CP分解对于一个三阶张量∈××，其CP分解可以写成如下形式：≈(:,)(:,)(:,)(2.6)其中，矩阵A，B，C的大小分别为×，×和×，称为因子矩阵，表示张量的秩，符号表示张量积。张量分解的过程如下图所示：图2.1CP张量分解图Fig.2.1CPdecompositionCP分解的目标函数为：(,,)=12(2.7)其中∑为张量在任意位置(i,j,k)上的元素估计值，将张量被观测到的元素相应的索引集合记作(,,)∈，则上面的目标函数可以改写为：(,,)=12(,,)∈(2.8)其中，，是决策变量，可以对这三个决策变量求偏导，进一步得到更新公式为：1
重庆大学硕士学位论文2相关技术理论11=,:(,,)∈(2.9)=,:(,,)∈()(2.10)=,:(,,)∈(2.11)对于更高阶（N>3）的张量，同样也可以使用类似的求导方法分别对N个决策变量进行更新。2..3Tucker分解图2.2Tucker张量分解图Fig.2.2Tuckerdecomposition如图2.2所示，对于一个三阶张量∈××，由Tucker分解可以得到∈×，∈×，∈×三个隐因子矩阵和一个核心张量∈××。对于图2.2的分解过程，可以写成：≈×××=°°=;,,(2.12)在元素级别上，可以将Tucker分解表示为：≈=1,…,=1,…,=1,…,(2.13)其中P，Q，R分别为隐因子矩阵A，B，C的列数。Tucker分解一般可以通过HOSVD[42]（HighOrderSVD）和HOOI[43]算法进行求解。HOSVD算法利用SVD分解方法对原张量的每一个模式（mode）的隐因子矩阵进行计算，然后通过计算原张量和隐因子矩阵的乘积得到核心张量。HOSVD1
【参考文献】：
期刊论文
[1]面向交通流量预测的多组件时空图卷积网络[J]. 冯宁,郭晟楠,宋超,朱琪超,万怀宇. 软件学报. 2019(03)
[2]时空依赖的城市道路旅行时间预测[J]. 施晋,毛嘉莉,金澈清. 软件学报. 2019(03)
[3]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)
[4]基于K-邻域非参数回归短时交通流预测方法[J]. 张晓利,贺国光,陆化普. 系统工程学报. 2009(02)
[5]基于旅行时间检测系统的交通应用研究[J]. 盛鹏,赵树龙,宋万忠,刘怡光,杨梦龙. 计算机应用. 2007(11)
硕士论文
[1]基于浮动车数据的高速公路路段行程时间预测方法研究及系统实现[D]. 唐俊.中山大学 2011
本文编号：3292340
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
交通速度的时空依赖关系，（a）交通速度的时间依赖关系，（b）交通速度的空间依赖关系
重庆大学硕士学位论文2相关技术理论10合的问题，为了解决这个问题，需要在原来的损失函数的基础上增加正则化项，增加正则化项之后的损失函数为：=+‖‖+(2.4)其中和指的是正则项的权重，这两个权重值一般需要通过调参得到。通过使损失函数降低到某个阈值，可以得到最优化的两个因子矩阵P和Q，这样就可以使用如下的公式对原矩阵中未知的元素进行预测：=(2.5)2..2CP分解对于一个三阶张量∈××，其CP分解可以写成如下形式：≈(:,)(:,)(:,)(2.6)其中，矩阵A，B，C的大小分别为×，×和×，称为因子矩阵，表示张量的秩，符号表示张量积。张量分解的过程如下图所示：图2.1CP张量分解图Fig.2.1CPdecompositionCP分解的目标函数为：(,,)=12(2.7)其中∑为张量在任意位置(i,j,k)上的元素估计值，将张量被观测到的元素相应的索引集合记作(,,)∈，则上面的目标函数可以改写为：(,,)=12(,,)∈(2.8)其中，，是决策变量，可以对这三个决策变量求偏导，进一步得到更新公式为：1
重庆大学硕士学位论文2相关技术理论11=,:(,,)∈(2.9)=,:(,,)∈()(2.10)=,:(,,)∈(2.11)对于更高阶（N>3）的张量，同样也可以使用类似的求导方法分别对N个决策变量进行更新。2..3Tucker分解图2.2Tucker张量分解图Fig.2.2Tuckerdecomposition如图2.2所示，对于一个三阶张量∈××，由Tucker分解可以得到∈×，∈×，∈×三个隐因子矩阵和一个核心张量∈××。对于图2.2的分解过程，可以写成：≈×××=°°=;,,(2.12)在元素级别上，可以将Tucker分解表示为：≈=1,…,=1,…,=1,…,(2.13)其中P，Q，R分别为隐因子矩阵A，B，C的列数。Tucker分解一般可以通过HOSVD[42]（HighOrderSVD）和HOOI[43]算法进行求解。HOSVD算法利用SVD分解方法对原张量的每一个模式（mode）的隐因子矩阵进行计算，然后通过计算原张量和隐因子矩阵的乘积得到核心张量。HOSVD1
【参考文献】：
期刊论文
[1]面向交通流量预测的多组件时空图卷积网络[J]. 冯宁,郭晟楠,宋超,朱琪超,万怀宇. 软件学报. 2019(03)
[2]时空依赖的城市道路旅行时间预测[J]. 施晋,毛嘉莉,金澈清. 软件学报. 2019(03)
[3]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)
[4]基于K-邻域非参数回归短时交通流预测方法[J]. 张晓利,贺国光,陆化普. 系统工程学报. 2009(02)
[5]基于旅行时间检测系统的交通应用研究[J]. 盛鹏,赵树龙,宋万忠,刘怡光,杨梦龙. 计算机应用. 2007(11)
硕士论文
[1]基于浮动车数据的高速公路路段行程时间预测方法研究及系统实现[D]. 唐俊.中山大学 2011
本文编号：3292340
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3292340.html
