基于深度学习的短时交通流预测研究

发布时间：2023-01-25 16:29

　　随着社会经济的快速发展,机动车拥有量迅速增加,城市交通拥堵等问题也变得日益严重。为了解决交通拥堵问题,交通部门广泛应用智能交通系统进行交通管理。短时交通流预测不仅是智能交通系统的核心内容之一,也是交通部门实施交通控制和交通诱导的基本依据。如何对短时交通流进行准确预测一直是各国学者研究的热点问题。短时交通流具有随机性、周期性、相关性和非线性等特征,是一种典型的时间序列数据,准确的提取交通流的时序特征是提高短时交通流预测模型的关键所在。近些年来,深度学习的方法因为具有强大的非线性拟合能力和数据的深层特征表达能力,逐渐在交通流预测方面得到了应用。本文研究应用深度学习中具有时间记忆特性的长短时记忆（LSTM,Long Short-Term Memory）算法和门控循环单元（GRU,Gated Recurrent Unit）算法对短时交通流进行预测,主要内容如下:（1）分析了短时交通流数据的时序特征,建立了基于LSTM算法和基于GRU算法的短时交通流预测模型,其中预测模型的网络结构和相关参数经过实验对比分析得到。此后,对该两种预测模型进行了仿真实验,结果表明这两种短时交通流预测模型能够较好的挖掘... 

【文章页数】：88 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 主要研究内容与组织结构
2 短时交通流预测的相关理论
    2.1 交通流的基本理论
    2.2 短时交通流预测的基本流程及建模原则
    2.3 数据的来源和预处理
    2.4 预测模型的评价标准
    2.5 深度学习相关基础
    2.6 本章小结
3 基于LSTM和GRU的短时交通流预测模型
    3.1 LSTM算法
    3.2 GRU算法
    3.3 激活函数和优化算法
    3.4 基于LSTM的短时交通流预测模型
    3.5 基于GRU的短时交通流预测模型
    3.6 本章小结
4 基于改进的LSTM和GRU短时交通流预测模型
    4.1 注意力机制相关概念
    4.2 基于LSTM-attention和GRU-attention的短时交通流预测模型
    4.3 基于组合模型的短时交通流预测
    4.4 本章小结
5 交通流预测模型仿真及分析
    5.1 实验环境与评价指标选取
    5.2 各预测模型的实验结果对比分析
    5.3 本章小结
6 总结与展望
    6.1 论文总结
    6.2 研究展望
参考文献
作者简历
致谢
学位论文数据集


【参考文献】：
期刊论文
[1]基于长时卷积深度网络的交通流预测方法[J]. 邹煜星,邓敏.  测绘与空间地理信息. 2019(07)
[2]基于时空特征挖掘的交通流量预测方法[J]. 孔繁钰,周愉峰,陈纲.  计算机科学. 2019(07)
[3]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉.  交通运输系统工程与信息. 2018(01)
[4]一种改进的深度置信网络在交通流预测中的应用[J]. 赵庶旭,崔方.  计算机应用研究. 2019(03)
[5]基于分类的中文文本摘要方法[J]. 庞超,尹传环.  计算机科学. 2018(01)
[6]一种基于MapReduce的短时交通流预测方法[J]. 梁轲,谭建军,李英远.  计算机工程. 2015(01)
[7]智能交通系统综述[J]. 赵娜,袁家斌,徐晗.  计算机科学. 2014(11)
[8]基于模糊卡尔曼滤波的短时交通流量预测方法[J]. 郭海锋,方良君,俞立.  浙江工业大学学报. 2013(02)
[9]ARMA时间序列模型的研究与应用[J]. 王行建,刘欣.  自动化技术与应用. 2008(08)
[10]基于ARIMA模型的短时交通流实时自适应预测[J]. 韩超,宋苏,王成红.  系统仿真学报. 2004(07)

硕士论文
[1]基于神经网络模型的短时交通流预测及应用研究[D]. 于亚男.太原理工大学 2015
[2]基于云平台的短时交通流预测算法设计与实现[D]. 张丽.大连理工大学 2013



本文编号：3731569