基于深度神经网络的电单车行程时间预测研究

发布时间：2024-05-07 03:32

　　在全球气候变暖、能源短缺的环境下,城市交通也逐渐向绿色低碳的方向发展,电单车便是其中之一,并在近些年呈现出蓬勃的发展态势。但随着电单车社会保有量的急剧增长,也逐渐暴露出了一些“管理难”的问题,比如影响交通秩序、车辆频繁被盗、难以跟踪管理等等。因此,从海量的电单车数据中提取有效信息,构建出智能化的“电单车车联网”,成为解决上述问题的一种有益的技术手段。本文即在长期参与“电单车智能平台”的研发工作基础上,利用现实场景中的海量电单车数据,借助深度神经网络的研究技术,用于准确预测电单车行程时间,从而帮助用户更合理地规划电单车行程。首先,本文分别参考了与电单车、行程时间预测相关的国内外研究,并对其中的关键技术模型进行分析。其次,针对深度神经网络的主要技术,从基本理论与实现方法的角度加深了解。接着,介绍了电单车行程数据及其预处理方式,具体的包括数据获取、数据清洗以及数据特征选取等。然后,分层设计出端到端的、多因素多任务机制的深度神经网络预测模型,并确定相应的误差评价标准。最后,通过反复训练、测试的实验过程,得到预测模型实验结果,并从横向、纵向进行对比分析,证明本文模型的科学性和有效性。特别的,本文...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 电单车的相关研究
        1.2.2 行程时间预测的相关研究
    1.3 本文研究内容
    1.4 本文组织结构
2 深度神经网络的基本理论与实现方法
    2.1 深度神经网络基本理论
        2.1.1 深度神经网络发展历程
        2.1.2 卷积神经网络CNN
        2.1.3 循环神经网络RNN
    2.2 深度神经网络实现方法
        2.2.1 网络优化方法
        2.2.2 常用软硬件工具
    2.3 本章小结
3 电单车行程数据的预处理
    3.1 数据介绍与分析
        3.1.1 数据来源
        3.1.2 数据存储结构分析
    3.2 数据预处理
        3.2.0 数据获取
        3.2.1 数据清洗
        3.2.2 数据转化
    3.3 本章小结
4 基于多因素多任务的电单车行程时间预测模型设计
    4.1 多因素多任务模型的分层设计
        4.1.1 时空特征层
        4.1.2 多因素层
        4.1.3 多任务层
    4.2 模型的误差评价标准
    4.3 本章小结
5 预测模型的实验结果与分析
    5.1 实验环境与实验数据
    5.2 实验超参数的设定
    5.3 端到端实验过程
        5.3.1 训练阶段
        5.3.2 测试阶段
    5.4 预测模型实验结果
        5.4.1 模型分层纵向对比
        5.4.2 不同模型横向对比
    5.5 本章小结
6 总结与展望
    6.1 全文总结
    6.2 研究展望
参考文献
致谢



本文编号：3966758