基于深度学习的ITS短时交通流量预测算法研究

发布时间：2023-03-12 07:09

　　交通流量预测是智能交通系统(ITS)的关键技术之一,交通流量预测是指使用时间序列算法或智能计算方法,基于历史信息和其他影响因素来预测未来交通信息变化。由于交通系统受外界和内部干扰,使得交通参数具有一定的复杂性和随机性,单一的方法或算法很难准确的描述交通参数的变化情况,深度学习类方法因具有强大非线性处理和特征学习能力已经得到广泛应用,近来的研究中也出现了很多组合分析方法,可以结合多种算法的优势。本文以深度学习方法为基本预测算法,主要研究了三大类交通流量预测方法:几种基本的时间序列分析方法、基于卷积网络(CNN)的时空预测算法、基于经验模态分解(EMD)和长短期记忆网络(LSTM)的时空预测算法。实验给出了各个算法的预测曲线分析,计算出衡量算法预测性能的误差指标并进行对比,可以得到以下结论:数据相同时,在算法误差指标方面,传统的时间序列预测分析方法最大,时空相关的CNN改进算法次之,时空EMD-LSTM类算法最小;在算法的复杂度和训练效率上,传统时间序列算法和基于LSTM类的算法比时空相关的CNN类算法快,复杂度低。最后,在所有仿真方法中,采用噪声辅助分析的时空EEMD-LSTM算法性能最...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究现状
        1.2.1 ITS研究现状
        1.2.2 交通流量预测研究现状
        1.2.3 深度学习方法研究现状
    1.3 研究内容
    1.4 论文结构
第2章 短期交通流量预测
    2.1 引言
    2.2 短时交通流量预测基本理论
        2.2.1 基本参数
        2.2.2 特性分析
        2.2.3 主要影响因素分析
    2.3 短时交通流量常用预测方法
        2.3.1 指数平滑方法
        2.3.2 支持向量机
        2.3.3 BP神经网络
    2.4 交通数据的采集与处理
        2.4.1 交通流量数据的获取
        2.4.2 交通数据错误的原因和类型
        2.4.3 错误数据的判断和处理
        2.4.4 数据规范化
    2.5 算法评价指标
    2.6 本章小结
第3章 基于卷积神经网络的交通流时空分析预测
    3.1 引言
    3.2 卷积神经网络
        3.2.1 原理简介
        3.2.2 CNN预测性能分析
    3.3 密集连接卷积神经网络
        3.3.1 原理简介
        3.3.2 DenseNet预测性能分析
    3.4 多时间尺度的密集连接卷积网络融合预测
        3.4.1 多时间尺度网络结构
        3.4.2 多时间尺度DenseNet预测性能分析
    3.5 本章小结
第4章 基于经验模态分解的LSTM时空预测
    4.1 引言
    4.2 长短期记忆网络
        4.2.1 LSTM算法原理
        4.2.2 LSTM算法预测分析
    4.3 经验模态分解算法
        4.3.1 经验模态分解算法原理
        4.3.2 EMD分解算法分解信号的时域和频域分析
    4.4 时空EMD-LSTM预测算法
        4.4.1 时空EMD-LSTM预测算法原理
        4.4.2 EMD-LSTM算法性能分析
    4.5 时空EEMD-LSTM预测算法
        4.5.1 集合经验模态分解(EEMD)算法
        4.5.2 EEMD分解算法分解信号的时域和频域分析
        4.5.3 时空EEMD-LSTM算法及预测结果分析
    4.6 本章小结
结论
参考文献
致谢



本文编号：3761189