面向交通流量预测的数据处理与组合模型方案的研究
发布时间：2021-10-27 04:48
21世纪以来,随着人们生活水平的提高,我国的汽车拥有率大幅度提高,据国家统计局统计数据显示,我国2018年民用汽车拥有量为23122万量,这数据还在不断增长。如此庞大的交通基数往往伴随着一系列的问题,其中首当其冲就是拥堵问题。目前,由于车辆的激增,我国一些大城市公共交通基础设施建设正面临着一个巨大的考验,拥堵问题也因此成为了城市治理的焦点。治理交通拥堵较为有效的办法是提前精确预测交通流,然后提前对道路进行管制和导流。本文将选取道路平均通行时间作为衡量交通流量的指标,然后利用数据挖掘技术预测道路平均通行时间。本设计的数据来源为贵阳市132条道路在2017年3月至6月的道路数据（包括道路属性、道路拓扑结构、道路每两分钟平均通行时间）,其中3至5月的数据作为训练数据,6月份的数据作为测试数据,并以平均绝对百分误差（MAPE）作为衡量模型精度的指标。本设计对132条路段在出行高峰[8:00,9:00],[15:00,16:00],[18:00,19:00]三个时间段中每两分钟的平均通行时间进行预测,主要的工作以及创新点包括:（1）对交通流理论、交通流预测方法、组合模型方法等相关技术进行阐述。（...
【文章来源】：广东工业大学广东省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
基于短时交通平均通行时间的应用Figure1-1Applicationbasedonshort-termtrafficaveragetransittime
（2）在步骤（1）中确定的学习速率和决策树的数量下，对决策树的参数，调优的参数包括最大深度、最小孩子权重、 参数、行采样、列采样等。（3）选择模型的正则化参数，目的是降低模型的复杂度，提升模型的效果（4）降低模型的学习率，重复步骤上述步骤，直到确定最佳参数。3 LSTM 模型.1 RNN 核心算法在经典的神经网络结构中，数据的流量路径为隐藏层、输入层、输出层，权重因子进行连接，同一层的节点之间不会有信息传输，这种结构很难处有关问题，因此有了循环神经网络这种结构。循环神经网络（Recurrent Ntwork），简称 RNN[41]。RNN 神经网络结构见图 3-1。
基于符合函数链式求导进行优化的，而在 RNN 中，其输入同时依赖当前神经网络的状态和前一时刻的状态，所以，RNN 在训练时需要同时考虑误差正向传播以及误差在末尾时刻反向传播到开始时刻，这就是基于时间的反向传播算法（PropagationThrough Time）。由于 RNN 的结构问题，在某些激活函数作用下，随着时序的增长，会导致梯度爆炸或者梯度消失，因此传统的 RNN 算法不具备解决长时依赖问题的能力。Hochreiter S 和 Schmidhuber J 提出的 LSTM 模型就能有效地解决这一问题。3.3.2 LSTM 核心算法LSTM（长短时记忆型）神经网络是建立在 RNN 上的一种新型深度机器学习神经网络，其在传统 RNN 模型中加入了细胞控制机制[42]。在网络拓扑结构上，LSTM网络与 RNN 网络基本一样。但 LSTM 具备解决长期依赖问题以及梯度爆炸问题的能力，从而达到保留更长时间历史信息的效果。图 3-2 为 LSTM 神经网络的结构图。
【参考文献】：
期刊论文
[1]非参数回归的贝叶斯估计[J]. 苏雅玲,何幼桦. 上海大学学报(自然科学版). 2018(06)
[2]基于多特征决策融合的SAR目标识别方法[J]. 代雪峰,李鹏浩,石秀君. 信息技术. 2018(11)
[3]基于动态行程时间可靠性的单车辆路径选择算法研究[J]. 智路平,周溪召. 公路交通科技. 2018(09)
[4]基于两阶段行程时间的交通流分配理论[J]. 何胜学. 交通运输系统工程与信息. 2018(01)
[5]基于多源融合特征提取的在线广告预测模型[J]. 刘冶,刘荻,王砚文,傅自豪,印鉴. 计算机工程. 2019(01)
[6]随机交通流的组合控制预测模型和方法[J]. 董伟. 沈阳工业大学学报. 2018(01)
[7]数据标准化对Sevcik分形维数算法的性能影响[J]. 秦建强,孔祥玉,孙喜荣. 仪器仪表学报. 2016(07)
[8]中国交通工程学术研究综述·2016[J]. 马建,孙守增,芮海田,马勇,王磊,刘辉,张伟伟,陈红燕,陈磊. 中国公路学报. 2016(06)
[9]“人在堵途”,北京日均拥堵3小时 限行、限购后,北京或征收拥堵费 目前各方看法和意见仍不一致[J]. 姚冬琴. 中国经济周刊. 2016(23)
[10]公路隧道横通道人员疏散行为及通行能力实验研究[J]. 张玉春,向月,何川,张迪,汤渊. 西南交通大学学报. 2016(04)
博士论文
[1]城市快速路交通状态特性及关联分析方法研究[D]. 敖谷昌.北京交通大学 2014
硕士论文
[1]基于LLVM克隆代码检测关键技术研究[D]. 陈星昊.南京邮电大学 2018
[2]基于流量预测的在线交通流分配研究[D]. 陈金鑫.西安工业大学 2017
[3]驾驶人未系安全带识别系统研究[D]. 傅生辉.山东农业大学 2016
[4]城市车辆动态路径诱导仿真系统研究[D]. 王利永.沈阳大学 2014
[5]基于路网海量起讫信息的高速公路断面交通流参数估计[D]. 雷晓娟.长安大学 2014
[6]“公交优先”发展战略下的我国城市公共交通立法研究[D]. 王元仁.山东大学 2014
[7]基于IEEE 1609.4/802.11p的智能交通系统的跨层优化[D]. 郭晋杰.北京邮电大学 2013
[8]基于.NET的预测决策算法研究及系统实现[D]. 张科.暨南大学 2011
本文编号：3460904
【文章来源】：广东工业大学广东省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
基于短时交通平均通行时间的应用Figure1-1Applicationbasedonshort-termtrafficaveragetransittime
（2）在步骤（1）中确定的学习速率和决策树的数量下，对决策树的参数，调优的参数包括最大深度、最小孩子权重、 参数、行采样、列采样等。（3）选择模型的正则化参数，目的是降低模型的复杂度，提升模型的效果（4）降低模型的学习率，重复步骤上述步骤，直到确定最佳参数。3 LSTM 模型.1 RNN 核心算法在经典的神经网络结构中，数据的流量路径为隐藏层、输入层、输出层，权重因子进行连接，同一层的节点之间不会有信息传输，这种结构很难处有关问题，因此有了循环神经网络这种结构。循环神经网络（Recurrent Ntwork），简称 RNN[41]。RNN 神经网络结构见图 3-1。
基于符合函数链式求导进行优化的，而在 RNN 中，其输入同时依赖当前神经网络的状态和前一时刻的状态，所以，RNN 在训练时需要同时考虑误差正向传播以及误差在末尾时刻反向传播到开始时刻，这就是基于时间的反向传播算法（PropagationThrough Time）。由于 RNN 的结构问题，在某些激活函数作用下，随着时序的增长，会导致梯度爆炸或者梯度消失，因此传统的 RNN 算法不具备解决长时依赖问题的能力。Hochreiter S 和 Schmidhuber J 提出的 LSTM 模型就能有效地解决这一问题。3.3.2 LSTM 核心算法LSTM（长短时记忆型）神经网络是建立在 RNN 上的一种新型深度机器学习神经网络，其在传统 RNN 模型中加入了细胞控制机制[42]。在网络拓扑结构上，LSTM网络与 RNN 网络基本一样。但 LSTM 具备解决长期依赖问题以及梯度爆炸问题的能力，从而达到保留更长时间历史信息的效果。图 3-2 为 LSTM 神经网络的结构图。
【参考文献】：
期刊论文
[1]非参数回归的贝叶斯估计[J]. 苏雅玲,何幼桦. 上海大学学报(自然科学版). 2018(06)
[2]基于多特征决策融合的SAR目标识别方法[J]. 代雪峰,李鹏浩,石秀君. 信息技术. 2018(11)
[3]基于动态行程时间可靠性的单车辆路径选择算法研究[J]. 智路平,周溪召. 公路交通科技. 2018(09)
[4]基于两阶段行程时间的交通流分配理论[J]. 何胜学. 交通运输系统工程与信息. 2018(01)
[5]基于多源融合特征提取的在线广告预测模型[J]. 刘冶,刘荻,王砚文,傅自豪,印鉴. 计算机工程. 2019(01)
[6]随机交通流的组合控制预测模型和方法[J]. 董伟. 沈阳工业大学学报. 2018(01)
[7]数据标准化对Sevcik分形维数算法的性能影响[J]. 秦建强,孔祥玉,孙喜荣. 仪器仪表学报. 2016(07)
[8]中国交通工程学术研究综述·2016[J]. 马建,孙守增,芮海田,马勇,王磊,刘辉,张伟伟,陈红燕,陈磊. 中国公路学报. 2016(06)
[9]“人在堵途”,北京日均拥堵3小时 限行、限购后,北京或征收拥堵费 目前各方看法和意见仍不一致[J]. 姚冬琴. 中国经济周刊. 2016(23)
[10]公路隧道横通道人员疏散行为及通行能力实验研究[J]. 张玉春,向月,何川,张迪,汤渊. 西南交通大学学报. 2016(04)
博士论文
[1]城市快速路交通状态特性及关联分析方法研究[D]. 敖谷昌.北京交通大学 2014
硕士论文
[1]基于LLVM克隆代码检测关键技术研究[D]. 陈星昊.南京邮电大学 2018
[2]基于流量预测的在线交通流分配研究[D]. 陈金鑫.西安工业大学 2017
[3]驾驶人未系安全带识别系统研究[D]. 傅生辉.山东农业大学 2016
[4]城市车辆动态路径诱导仿真系统研究[D]. 王利永.沈阳大学 2014
[5]基于路网海量起讫信息的高速公路断面交通流参数估计[D]. 雷晓娟.长安大学 2014
[6]“公交优先”发展战略下的我国城市公共交通立法研究[D]. 王元仁.山东大学 2014
[7]基于IEEE 1609.4/802.11p的智能交通系统的跨层优化[D]. 郭晋杰.北京邮电大学 2013
[8]基于.NET的预测决策算法研究及系统实现[D]. 张科.暨南大学 2011
本文编号：3460904
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3460904.html
