基于深度时空残差网络的区域级交通状况预测方法

发布时间：2021-12-28 22:33

　　伴随着社会经济持续快速发展、城镇化的脚步不断加快,车辆的日益普及,导致交通拥挤加剧,交通环境日益恶化。交通问题在发展中国家和发达国家都成为亟待解决的问题之一。因此,智能交通系统作为一种能有效解决交通问题的手段便成为了人们研究的热点,越来越多的国家开始重视并开展智慧交通系统的建设。道路交通状况的预测更是智能交通系统研究的核心部分之一。目前已有的道路交通状况预测模型可以归纳成两类:传统的统计学习模型和深度学习模型。对于传统的统计学习模型而言,常见的方法有向量自回归(VAR),自回归移动平均(ARIMA)以及K近邻(KNN)等等。但是模型过于简单的特性,使其不能很好的捕捉城市交通复杂的时空关联性特征。相比传统的模型学习方法,深度学习拥有更深的模型大小和更复杂的模型结构,因此其表现出的结果常常更令人满意。然而已有深度学习方法主要着重于一个或者某几个路段的独立预测问题。一旦将预测的规模扩展到城市级别,现有的工作就会因为产生大量的复杂模型从而陷入巨大的系统开销中。为了能够高效地预测整个路网的交通状态信息,本文提出一个基于深度时空残差网络的区域级交通状况预测模型Deep RTP。不同于此前的研究,本...

【文章来源】： 深圳大学广东省

【文章页数】：55 页

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状及分析
        1.2.1 基于传统的统计学习方法
        1.2.2 基于新型的神经网络方法
    1.3 国内外研究现状总结
    1.4 本课题研究的主要内容和主要创新
    1.5 论文的章节安排
    1.6 本章小结
第2章 理论基础
    2.1 交通状态的基本表示类型
    2.2 交通状态的基本特性
    2.3 卷积神经网络
        2.3.1 卷积神经网络概述
        2.3.2 卷积神经网络的特点
        2.3.3 卷积神经网络的结构
    2.4 本章小结
第3章 基于深度时空残差网络的区域级交通状况预测
    3.1 系统设计
    3.2 数据预处理
        3.2.1 城市地图网状划分
        3.2.2 GPS数据预处理
        3.2.3 城市网状拥堵计算
    3.3 预测模型设计和实现
        3.3.1 系统总览
        3.3.2 数据划分
        3.3.3 预测模型
    3.4 本章小结
第4章 实验评估与分析
    4.1 实验数据
    4.2 对比试验模型和评估指标
    4.3 实验环境配置
    4.4 模型参数选择
        4.4.1 时间跨度的步长
        4.4.2 残差单元的个数
        4.4.3 时间间隔大小
        4.4.4 区域划分大小
    4.5 性能对比
        4.5.1 全局预测值的比较
        4.5.2 局部预测值的比较
    4.6 本章小结
第5章 总结与展望
参考文献
指导老师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间的研究成果


【参考文献】：
期刊论文
[1]上海市道路交通状态指数简介及应用案例 [J]. 张扬,何承,张祎,顾承华,马伟民,林益平.  交通与运输. 2016(03)



本文编号：3554858