基于深度学习的短时交通流量预测技术研究

发布时间：2024-12-01 02:11

　　随着交通行业不断发展,交通数据快速增长,学者们希望能够利用这些数据为城市交通服务,因而智能交通系统成为未来交通系统的研究方向。而短时交通流预测作为智能交通领域的研究热点,对于交通疏导和路径规划等具有重要意义。为研究短时交通流量预测问题,本文基于深度学习研究了多模式时空融合的短时交通流量预测模型。该模型使用3个组件分别建模交通流变化的近期、日周期、周周期模式特性,每个组件同时结合图卷积计算和循环神经网络来同时捕获交通流数据的时空特性。另外,考虑到交通数据中存在的缺失现象会影响短时交通流量预测性能,文中利用双向门控循环神经网络研究交通流缺失数据填补策略,进一步深化对短时交通流量预测的研究。本文的主要研究工作和贡献如下:1.本文从交通流变化的时空特性出发,提出了一种基于深度学习的短时交通流量预测方法。首先,针对实际路网特性,以图建模路网拓扑发现不同位置间的相关性。其次,针对交通流的时空相关性,考虑到图卷积网络处理空间图结构数据的能力以及循环神经网络描述时序依赖性的优势,将图卷积计算引入循环网络记忆单元,构建时空图卷积循环神经网络来直接提取时空关联特征。最后,针对交通流的多模式特性,基于图卷积循...

【文章页数】：82 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
    1.2 研究现状
        1.2.1 短时交通流量预测的发展现状
        1.2.2 交通缺失数据填补的发展现状
    1.3 主要内容
    1.4 论文组织结构
    1.5 本章小结
第2章 相关技术和理论基础
    2.1 短时交通流量预测理论基础
    2.2 常用的短时交通流量预测模型
        2.2.1 时间序列模型
        2.2.2 支持向量机模型
        2.2.3 神经网络模型
        2.2.4 组合模型
    2.3 常用的交通缺失数据填补方法
        2.3.1 均值填补法
        2.3.2 回归填补法
        2.3.3 K最近邻填补法
        2.3.4 指数平滑填补法
        2.3.5 神经网络填补法
    2.4 本章小结
第3章 基于图卷积循环神经网络的短时交通流量预测
    3.1 引言
    3.2 相关定义
    3.3 模型细节设计
        3.3.1 整体框架
        3.3.2 时空图卷积循环神经网络SGN
        3.3.3 多模式时空融合模型MSGN
        3.3.4 算法设计
    3.4 本章小结
第4章 面向短时交通流量预测的缺失数据填补模型
    4.1 引言
    4.2 相关定义
    4.3 模型的细节设计
        4.3.1 双向循环神经网络理论
        4.3.2 整体框架
        4.3.3 基于BGRU的交通缺失数据填补方法
        4.3.4 算法设计
    4.4 本章小结
第5章 实验方案及结果分析
    5.1 数据集
    5.2 短时交通流量预测模型验证
        5.2.1 评估准则
        5.2.2 算法实现过程
        5.2.3 算法评估与对比
    5.3 缺失数据填补模型验证
        5.3.1 评估准则
        5.3.2 算法实现过程
        5.3.3 算法评估与对比
    5.4 本章小结
第6章 总结及未来工作
    6.1 研究工作总结
    6.2 未来工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：4013384