基于深度置信网络的城市道路交通流预测研究

发布时间：2020-04-10 22:57

【摘要】：随着社会经济的高速发展,机动车保有量的急剧增加,导致城市交通系统供需矛盾越来越严重,以至于城市道路的建设措施远远不能满足其增长不断的出行需求,进而出现了各种交通问题。智能交通系统的应用在城市道路动态交通管理当中起到了关键性的作用,而交通流预测作为智能交通系统中的核心技术,有效地缓解了严重的交通拥堵问题。因此,科学、准确的预测城市道路的交通流量具有学术价值和现实意义。针对目前本研究领域中对交通流时序数据分析的复杂性和高度不确定性等问题,本文应用深度学习对非结构化时序数据分析的优势,提出了一种基于改进的深度置信网络的城市道路交通流预测方法,并且又针对受限玻尔兹曼机只接受二进制输入而导致数据丢失以及其在训练网络模型参数时收敛速度缓慢的问题,进一步提出了一种在改进的深度置信网络的基础上引入自适应学习步长的城市道路交通流预测方法。首先针对交通流数据的分析复杂性问题,提出了一种将交通流时间序列数据转化为非结构化时间序列数据的数据预处理方法。然后针对预处理后的非结构化数据应用改进的深度置信网络进行预测方法的训练及交通流的预测。本文的预测模型是结合受限玻尔兹曼机和连续受限玻尔兹曼机来负责模型的无监督学习,使用BP神经网络来负责模型的监督学习,经过不断地测试和调整模型参数,使得整个预测模型的预测误差达到收敛来完成预测模型的训练,进而利用预处理后的非结构化时序数据预测出交通流量。最后分别使用传统深度置信网络和改进后的深度置信网络对非结构化的交通流数据进行预测,实验结果表明,引入自适应学习步长的改进的深度置信网络的城市道路交通流预测模型具有较高的预测准确率,能够较为有效地处理城市道路交通流量的预测问题。
【图文】：

示意图,网格化,示意图,时间序列数据

所提出的基于 CRBM-DBN(ALS)的交通流预测模型的建立以数据预处理使用的山东省淄博市的出租车 GPS 数据里面并没有包含交通了获取城市道路的车流量数据，本文首先提出了利用 ArcGIS 来获取交通流量信息，并将获得的交通流量信息与其对应的时流时间序列数据；然后由于交通流时间序列数据的分析过于复，因此，本文提出了将交通流时间序列数据转化为非结构化时；最后，对转换得到的非结构化时间序列数据进行了归一化处GIS 获取 GPS 车流量数据博市出租车的原始 GPS 数据信息，利用 ArcGIS 平台来获取每信息，即使用该平台的渔网空间连接功能对地图进行网格化，PS 点信息统计在一起，并得到其对应时间段的交通流量信息淄博市的临淄区和张店区。ArcGIS 网格化示意图如图 4.1 所示

时序数据,交通流,非结构化数据,像素

这些交通流数据的分析，统计出每个对应时间段内的交通流数序列数据。数据转化为非结构化时序数据流时间序列数据的研究分析中通常会碰到一些复杂性极高的非很难有效利用这些复杂的非线性函数，并且如果直接将交通流模型中，就会导致深度置信网络学习算法的发散，不能有效地整体规律。目前对于深度置信网络模型的研究应用在图像识别领域中具有本文尝试采用改进深度置信网络模型输入数据的形式，即把利的交通流时间序列数据转换为对应的非结构化时间序列数据，，时序数据提取出特征，并对不同状态的交通流时序数据的曲线的复杂数学函数模型转换为对应图像识别的像素模型，从而提性。在本文研究中，将交通流时序数据转化为 28×28 像素的2 所示。
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U491.14;TP18

【参考文献】