基于注意力机制的短时交通流速度预测模型研究

发布时间：2022-11-06 15:39

　　智能交通系统（ITS）对解决现今的一系列交通问题有着重要作用,而短时交通流预测则是智能交通系统的核心内容,同时也是是交通信息服务、交通控制和交通诱导等系统的重要基础。深度学习算法能够使用多层神经网络或深层架构来捕捉数据的固有特征,而引入注意力机制对深度学习算法性能的提升效果已经在自然语言处理、图像识别等领域得到了验证。由于交通流的复杂随机性特征,准确的交通流特征识别并不是一项简单的任务,科学合理地运用深度学习算法对城市路网交通流进行更加精确的预测对于整个交通系统具有十分重要的意义。本文致力于使用深度学习算法对路网短时交通流速度预测进行研究,针对现有研究成果的不足提出了从预测精度和预测模型效率两个角度出发的具体方法,本文的研究内容包括:（1）为了提升用于预测的数据质量,分析了交通流数据的统计特性,进行了系统的数据预处理,给出了交通流数据缺失划分的定义,并根据定义的偶然性缺失和多发性缺失分别采用朴素贝叶斯和动态时间规整算法进行数据估计和填充。（2）阐述了选择循环神经网络（RNN）作为基础网络进行交通流预测的原因,针对其在实际应用中的梯度消失问题提出了长短期记忆网络（LSTM）对模型进行改进... 

【文章页数】：104 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 交通流数据修复研究
        1.2.2 短时交通流预测研究
        1.2.3 注意力机制研究
    1.3 本文主要研究内容和技术路线
        1.3.1 研究内容
        1.3.2 技术路线
第二章 短时交通流速度预测理论基础
    2.1 交通流速度概念及预测原则
        2.1.1 交通流速度概念
        2.1.2 交通流速度预测流程及建模原则
    2.2 交通流预测相关深度学习算法
        2.2.1 深度学习概念
        2.2.2 卷积神经网络
        2.2.3 循环神经网络
        2.2.4 长短期记忆网络
    2.3 注意力机制相关概念
        2.3.1 编码-解码模型
        2.3.2 注意力模型
    2.4 本章小结
第三章 交通流速度预测数据分析及处理
    3.1 交通流数据采集
    3.2 交通流数据分布特性分析
        3.2.1 交通流数据时间分布特性
        3.2.2 交通流数据空间分布特性
    3.3 交通流数据预处理
        3.3.1 异常值检测
        3.3.2 小波分解
        3.3.3 数据相空间重构
        3.3.4 时间序列稳定归一化
    3.4 交通流数据修复
        3.4.1 偶然性缺失填补方法
        3.4.2 多发性缺失填补方法
    3.5 本章小结
第四章 基于注意力机制的短时交通流速度预测模型
    4.1 基于LSTM-RNN的短时交通流速度预测
        4.1.1 LSTM网络核心算法
        4.1.2 Dropout层
        4.1.3 激活函数
        4.1.4 优化器
        4.1.5 基于LSTM-RNN的短时交通流预测模型
    4.2 基于注意力机制的短时交通流速度预测
        4.2.1 注意力模型框架
        4.2.2 基于注意力向量计算方式的变体
        4.2.3 基于注意力机制的LSTM-RNN预测模型
    4.3 本章小结
第五章 路网实例验证分析
    5.1 实验数据来源
    5.2 实验环境
        5.2.1 TensorFlow
        5.2.2 Keras
    5.3 模型评价指标
    5.4 稀疏数据修复性能分析与对比
        5.4.1 算法有效性分析
        5.4.2 数据缺失程度划分
        5.4.3 各模型修复性能对比
    5.5 预测模型性能分析与对比
        5.5.1 模型训练过程及参数优化
        5.5.2 模型有效性分析
        5.5.3 与其他方法的预测性能对比
结论与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件


【参考文献】：
期刊论文
[1]利用浮动车大数据进行稀疏路段行程时间推断[J]. 张发明,朱欣焰,呙维,胡涛.  武汉大学学报(信息科学版). 2017(01)
[2]采用低频浮动车数据的行程时间估计[J]. 曲鑫,林赐云,杨兆升,商强,程泽阳.  哈尔滨工业大学学报. 2016(09)
[3]基于稀疏浮动车数据的城市路网交通流速度估计[J]. 王晓蒙,彭玲,池天河.  测绘学报. 2016(07)
[4]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)
[5]一种面向海量浮动车数据的地图匹配方法[J]. 王晓蒙,池天河,林晖,邵静,姚晓婧,杨丽娜.  地球信息科学学报. 2015(10)
[6]基于浮动车数据的城市道路通行能力时空特征分析[J]. 张希瑞,方志祥,李清泉,鲁仕维.  地球信息科学学报. 2015(03)
[7]季节性ARiMA模型在稀疏交通流下的预测方法[J]. 祁伟,李晔,汪作新.  公路交通科技. 2014(04)
[8]基于大规模浮动车数据的城市道路网复杂度分析[J]. 何兆成,庄立坚,杨文臣,佘锡伟.  公路交通科技. 2013(06)
[9]基于实时数据的网状城市快速路行驶时间预测方法研究[J]. 邵春福,张魁麟,谷远利.  土木工程学报. 2003(01)

博士论文
[1]多状态下城市快速路网交通流短时预测理论与方法研究[D]. 董春娇.北京交通大学 2011

硕士论文
[1]高速公路短时交通流预测算法研究[D]. 宋迪.浙江工业大学 2016
[2]车辆换道行为动态特性及其对车流影响研究[D]. 陈文娇.青岛理工大学 2015



本文编号：3703763