基于FCM-EFCNN组合模型的短时交通流预测
发布时间：2022-01-13 01:10
随着社会和经济的不断发展,人们对于交通方面的需求也在逐渐改变,其中精确、实时的道路短时交通流预测不仅可以为路网结构的合理性分析提供数据支持,同时也能使得人们的出行更加便利、高效。因此短时交通流的预测对于交通系统的完善和发展有着十分重要的意义。短时交通流的预测可以看作是一种多因素影响的时空序列预测问题,然而该领域现有的预测方法仍然受到以下数据特征和模型结构的限制:1)交通流数据具有复杂的特征和性质,单一的预测模型往往需要具有强大的特征提取能力以及复杂的计算过程,构造过程十分复杂;2)对交通流数据预处理工作不足,往往导致其中有效信息不能被充分利用;3)模型对于突发事件所造成的异常交通流数据不敏感,造成预测结果精度下降。针对以上问题,本文主要研究内容如下:（1）针对传统预测模型不能充分利用交通流时空维度信息,以及对突发事件造成的异常数据变化不敏感等缺点,提出误差反馈卷积神经网络预测模型并应用于短时交通流的预测。该模型利用卷积神经网络局部感知以及权值共享等优势对交通流时空数据进行高效分析,同时优化了网络的误差反馈机制,使其能够更好地识别异常交通流数据特征,提高预测模型的准确性以及自适应性。（2...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
短时交通流预测模型分类Figure1-1ClassificationofShort-termTrafficFlowPredictionModels
北京工业大学工学硕士学位论文测时，考虑到交通流可能存在的异常模式，根据各个子模型的预测结果时间点与各交通流模式的隶属关系，计算出最终预测结果。（2）在传统卷积神经网络的结构基础上提出误差反馈卷积神经网络针对交通流所具有的时空特性，本文选取对二维矩阵数据特征提取效果积神经网络作为预测模型的结构基础，并对其进行了改进，在原有的网中 添 加 误 差 反 馈 模 块 ， 构 成 误 差 反 馈 卷 积 神 经 网 络 (Error Feednvolutional Neural Network，EFCNN)。该模型的优势在于一方面可以提取据时间和空间两个维度的特征，另一方面可以接收之前几个时间单位的对预测结果进行进一步修正，增强了模型对于特殊事件所造成的异常数能力，在一定程度上提高了短时交通流的预测精度。 论文组织结构
图 2-1 卷积操作示例图Figure 2-1 Convolution operation example diagram池化层卷积层的相关操作，解决了传统神经网络中连接权值过多的问题，特征位的识别能力。卷积层的相关操作获得了相应的特征图之后，用这些特征图来继续进一步的特征提取。由于每一层卷积核的大每层都可能有多个卷积核对特征进行提取，每个卷积核均可输出一于最终的输出结果计算量还是非常大的。例如输入数据为一个 100通过 10×10 的卷积核对图像进行卷积，输出学习得到的 100 个特征中，每一个卷积核都可以得到(100-10+1)×(100-10+1)=8281 个结果100 个特征进行提取，因此对于每个样本学习的结果集大小将会0=828100 个特征。将如此高维度的特征输入到最终的全连接层是十会严重影响训练速度，同时很容易出现过拟合的现象。
【参考文献】：
期刊论文
[1]基于FCM聚类算法的电动车城市循环工况构建[J]. 余曼,赵轩,魏朗,叶毅铭,严慈磊. 公路交通科技. 2018(10)
[2]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)
[3]K-means算法初始聚类中心选择的优化[J]. 郁启麟. 计算机系统应用. 2017(05)
[4]基于时空自相关的道路交通状态聚类方法[J]. 韦伟,毛保华,陈绍宽,周洋帆. 交通运输系统工程与信息. 2016(02)
[5]基于组合模型的短时交通流量预测算法[J]. 芮兰兰,李钦铭. 电子与信息学报. 2016(05)
[6]一种基于非参数回归的交通速度预测方法[J]. 史殿习,丁涛杰,丁博,刘惠. 计算机科学. 2016(02)
[7]基于EMD聚类与ARMA的交通流量预测方法[J]. 余林,舒勤,柏吉琼. 公路. 2015(05)
[8]基于空间聚类的交通流预测模型[J]. 许榕,缪李囡,施静静,陈启美. 南京大学学报(自然科学). 2015(02)
[9]基于交通流理论的道路实际通行能力模型[J]. 郑松竺,徐雅琳,李梦思. 中国传媒大学学报(自然科学版). 2014(04)
[10]基于小波分析的随机交通流组合预测方法研究[J]. 丁恒,郑小燕,刘燕,陈无畏. 系统仿真学报. 2012(02)
博士论文
[1]模糊C均值聚类及其有效性检验与应用研究[D]. 周开乐.合肥工业大学 2014
硕士论文
[1]基于聚类分析的BP神经网络短时交通流预测方法研究[D]. 张玮玮.重庆邮电大学 2016
[2]基于聚类WNN-ARIMA的短时交通流预测研究与应用[D]. 郝晓涛.大连理工大学 2016
[3]基于SVM的交通流短时预测方法研究[D]. 贾勇兵.西南交通大学 2012
本文编号：3585764
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
短时交通流预测模型分类Figure1-1ClassificationofShort-termTrafficFlowPredictionModels
北京工业大学工学硕士学位论文测时，考虑到交通流可能存在的异常模式，根据各个子模型的预测结果时间点与各交通流模式的隶属关系，计算出最终预测结果。（2）在传统卷积神经网络的结构基础上提出误差反馈卷积神经网络针对交通流所具有的时空特性，本文选取对二维矩阵数据特征提取效果积神经网络作为预测模型的结构基础，并对其进行了改进，在原有的网中 添 加 误 差 反 馈 模 块 ， 构 成 误 差 反 馈 卷 积 神 经 网 络 (Error Feednvolutional Neural Network，EFCNN)。该模型的优势在于一方面可以提取据时间和空间两个维度的特征，另一方面可以接收之前几个时间单位的对预测结果进行进一步修正，增强了模型对于特殊事件所造成的异常数能力，在一定程度上提高了短时交通流的预测精度。 论文组织结构
图 2-1 卷积操作示例图Figure 2-1 Convolution operation example diagram池化层卷积层的相关操作，解决了传统神经网络中连接权值过多的问题，特征位的识别能力。卷积层的相关操作获得了相应的特征图之后，用这些特征图来继续进一步的特征提取。由于每一层卷积核的大每层都可能有多个卷积核对特征进行提取，每个卷积核均可输出一于最终的输出结果计算量还是非常大的。例如输入数据为一个 100通过 10×10 的卷积核对图像进行卷积，输出学习得到的 100 个特征中，每一个卷积核都可以得到(100-10+1)×(100-10+1)=8281 个结果100 个特征进行提取，因此对于每个样本学习的结果集大小将会0=828100 个特征。将如此高维度的特征输入到最终的全连接层是十会严重影响训练速度，同时很容易出现过拟合的现象。
【参考文献】：
期刊论文
[1]基于FCM聚类算法的电动车城市循环工况构建[J]. 余曼,赵轩,魏朗,叶毅铭,严慈磊. 公路交通科技. 2018(10)
[2]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)
[3]K-means算法初始聚类中心选择的优化[J]. 郁启麟. 计算机系统应用. 2017(05)
[4]基于时空自相关的道路交通状态聚类方法[J]. 韦伟,毛保华,陈绍宽,周洋帆. 交通运输系统工程与信息. 2016(02)
[5]基于组合模型的短时交通流量预测算法[J]. 芮兰兰,李钦铭. 电子与信息学报. 2016(05)
[6]一种基于非参数回归的交通速度预测方法[J]. 史殿习,丁涛杰,丁博,刘惠. 计算机科学. 2016(02)
[7]基于EMD聚类与ARMA的交通流量预测方法[J]. 余林,舒勤,柏吉琼. 公路. 2015(05)
[8]基于空间聚类的交通流预测模型[J]. 许榕,缪李囡,施静静,陈启美. 南京大学学报(自然科学). 2015(02)
[9]基于交通流理论的道路实际通行能力模型[J]. 郑松竺,徐雅琳,李梦思. 中国传媒大学学报(自然科学版). 2014(04)
[10]基于小波分析的随机交通流组合预测方法研究[J]. 丁恒,郑小燕,刘燕,陈无畏. 系统仿真学报. 2012(02)
博士论文
[1]模糊C均值聚类及其有效性检验与应用研究[D]. 周开乐.合肥工业大学 2014
硕士论文
[1]基于聚类分析的BP神经网络短时交通流预测方法研究[D]. 张玮玮.重庆邮电大学 2016
[2]基于聚类WNN-ARIMA的短时交通流预测研究与应用[D]. 郝晓涛.大连理工大学 2016
[3]基于SVM的交通流短时预测方法研究[D]. 贾勇兵.西南交通大学 2012
本文编号：3585764
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3585764.html
