城市交通高频路段预测模型研究

发布时间：2020-05-29 00:05

【摘要】：随着经济的快速发展和城市化进程不断深入,城市交通相关问题越来越引得大家关注。城市居民日常出行作为城市交通的重要组成部分,其对城市交通状况产生重要影响。利用大数据等相关技术对城市居民日常出行行为进行分析,可以让城市居民的日常出行规律以数据形式展现。城市居民日常出行行为分析的结果,即可以为相关部门进行城市规划时提供科学的依据,也可以为交管部门发布相关交通诱导信息提供相应的参考。国内外很多专家学者进行过许多城市居民出行行为相关的研究,前人大多是使用各种聚类算法,并基于城市交通历史数据挖掘城市居民日常出行规律。但由于城市居民的日常出行习惯受各种客观因素影响会发生改变,这也导致城市交通状况会动态变化,且城市交通相关数据一直动态增加,总结而言城市交通具有时变性。同时城市交通由于实际道路的特点,其各个路段相互连接,所以城市交通不同路段之间存在传递性,相互之间有很强的时空关联性。而使用各种聚类等常规处理方式在挖掘城市交通潜在规律时则会在应对城市交通实时性、传递性和数据动态增加等方面存在缺陷。本文针对这些问题建立了一个实时分层网络预测模型,模型可以应对城市交通的时段性、周期性、时变性、传递性、数据动态增加和其较多维度等特点。模型对数据进行时段分区,以应对城市交通时段性和交通数据是多维度的特点,采用分类自学习的方法对地点进行识别,更好的适应交通动态变化的特点,建立了一个夹侧生成网络挖掘相邻时段不同路段之间的时空关联性,采用迭代运算实时更新预测结果。模型最后使用车载GPS数据作为验证,经验证该模型可以预测出更加精细且准确的结果。
【图文】：

网络结构图,输入模式,门限指标,阶段

第四章自学习分为匹配阶段、比较阶段、搜素阶段和学习阶段。其比较如图 4.4 右所示，数据先进入比较层在进入匹配层，且二左所示，比较层 C 有 n 个神经元，每个接收来自 3 个方面，R 层获胜神经元的外接权向量的返回信号和控制信号 G1根据 2/3 的多数表决原则产生，输出值与三个信号中的多.4 右所示，识别层 R 功能相当于前馈竞争网，R 层有 m 个模式类，m 可以动态增长，以设立新的模式类。 ART 网络的主要思路是当其接收到新的输入模式后，其通新输入模式和所有其旧输入模式之间的相似程度，然后其定的门限指标，，当新输入模式和其存储的旧输入模式相似其中相似度最大的模式类为新输入的模式类，如果都未超为该新输入新建一个模式类。

结构图,识别层,结构图,输入模式

上所述 ART 网络的主要思路是当其接收到新的输入模式后，其通过相应式计算新输入模式和所有其旧输入模式之间的相似程度，然后其有一个情况设定的门限指标，当新输入模式和其存储的旧输入模式相似度均超，则选其中相似度最大的模式类为新输入的模式类，如果都未超过该门网络中为该新输入新建一个模式类。图 4.3 ART网络结构图
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U491

【参考文献】