基于改进的LSTM网络的交通流预测

发布时间：2021-08-29 22:43

　　近年来,随着深度学习的发展,利用深度学习的方法来解决交通领域的问题受到大家的广泛关注,尤其是长短时记忆网络（LSTM）在处理时间序列问题上的优越性。然而,从模型体系结构的深度、预测区域的空间尺度以及时空数据的预测能力等方面,深度学习方法在交通流预测问题中的潜力还没有得到充分的挖掘。本文提出了一种考虑时间序列数据前后相关的深层预测网络结构,将双向LSTM和单向LSTM网络相结合用于预测公路路段的交通流量。本文提出了一种考虑时间序列数据正向和反向依赖性的深层次双向和单向LSTM神经网络结构,用于预测网络范围内的交通流量,考虑到时间序列的潜在反向依赖性,采用双向LSTM层从历史数据中获取双向时间的相关性。本研究以矩阵形式来表示道路交通流数据,充分考虑道路交通流的空间相关性特征,同时利用双向LSTM网络,对交通流历史数据时间上可能潜在的上下文信息进行关联,充分进行特征学习。本研究将双向LSTM网络层应用于深层架构模型的构建块,以测量用于预测的流量数据的反向依赖性。此外,该可扩展模型可以预测高速公路和复杂城市交通网络的交通流量。与其他预测模型的比较表明,本文所提出的融合单向和双向的LSTM神经网... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：45 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 章节安排
2 基于LSTM的交通流预测
    2.1 交通流特性分析
    2.2 循环神经网络(RNN)介绍
    2.3 LSTM网络
        2.3.1 长期依赖问题
        2.3.2 LSTM网络结构
3 基于改进的LSTM网络交通流预测模型
    3.1 问题定义
    3.2 双向LSTM网络交通流预测模型
        3.2.1 BiRNN网络
        3.2.2 双向LSTM网络交通流预测模型
    3.3 Mask层模型
    3.4 融合的单双向LSTM网络预测模型
    3.5 预测模型的结构优化
        3.5.1 dropout原理介绍
        3.5.2 Early-stop原理介绍
4 实验结果及分析
    4.1 实验环境
    4.2 实验数据及其标准化处理
    4.3 实验评价标准
    4.4 各模型实验结果及对比
        4.4.1 本文研究模型方法实验结果
        4.4.2 本实验与其他模型的对比
    4.5 模型主要参数选择
        4.5.1 网络层数选择
        4.5.2 BiLSTM连接函数选择
        4.5.3 时间滞后长度的选择
    4.6 模型各模块重要性比对
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3371511