基于深度学习的交通流量预测与可视化方法研究

发布时间：2020-11-08 15:30

　　 为了缓解城市交通拥堵现状,充分利用城市道路基础设施,智能交通系统被广泛应用于城市交通管理中,为道路交通安全提供了保障,提高了道路通行效率和城市交通的智能化水平。随着城市动态交通信息采集技术的不断发展,及时获取城市路网中实时的道路交通数据已成为可能,大量的交通数据为分析城市道路交通状态和预测模型研究提供了数据保障。交通流量预测在现代交通管理和控制中起着关键性作用,是实现城市交通诱导的前提,精准和实时的道路交通流量预测能够更好的分析城市道路交通状况,对城市交通路网规划和道路交通优化控制具有非常重要的作用。深度学习中的LSTM神经网络在时间序列数据处理方面的优势使其十分适用对短时交通流量进行预测,有鉴于此,本文在车辆监测点瞬时监测数据处理基础上,构建了LSTM网络模型用于对通过某路段的交通流量进行预测,在实验中对预测模型的关键参数进行调整对比,并分析了不同参数设置对于模型预测准确率的影响。本文充分利用了深度学习模型良好的特征学习能力,设计了一种基于深度学习的深度网络混合模型用于短时交通流量预测,该混合模型由一层降噪自动编码器和两层受限玻尔兹曼机来构造,最后使用SVR方法作为预测器。为验证预测模型性能,分别在工作日和周末监测点数据上进行相关实验,并与其他预测模型进行对比实验,得出本文预测模型预测效果良好并在预测准确度上均优于其他预测模型。本文设计了基于交通数据的可视化展示系统,对于瞬时监测数据,通过一周和一天内小时交通流量的可视化视图对监测点和路段交通状况进行描述,对于概要型监测数据,本文使用多属性轴的布局方式来可视化展示交通流基本参数之间的关系,从而更加直观和深刻的来认识交通数据,有助于对其数据本质的理解和潜在规律的挖掘。
【学位单位】：北方工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U491;TP181
【部分图文】：

?图２－１道路交通流预测在智能交通系统中的作用??图２－２是道路交通状态预测使用时间和距离表示的概念图，由于道路上交通??流的复杂性，交通状态具有很强的时变性，如何利用历史若干交通流量数据去有??效地预测下？个时间段交通流参数值，使得预测的交通状况与真实的道路交通流??状态尽可能的相似。??距离Ｄ?厂（１）过去时段交逋状态ｆ预测交通状态??２?｜?｜?（２＞声际交通状态??ｔ?／?：?Ｉ?＼Ｍ?＼?：??１?［／?／＿?：?＾?时间?ｔ??１?２?ｉ?ｉ＋１?．．．．．．?ｌ??图２－２交通运行状态预测概念图表示??道路交通流变化具有不确定性，短时交通流预测需要从交通流设备采集信??息，这些信息可以反映交通流的状态，同时要考虑外界因素的干扰，对道路交通??数据进行分析，建立交通流预测模型来对未来道路交通运行状况进行预测，交通??９

??图２－１道路交通流预测在智能交通系统中的作用??图２－２是道路交通状态预测使用时间和距离表示的概念图，由于道路上交通??流的复杂性，交通状态具有很强的时变性，如何利用历史若干交通流量数据去有??效地预测下？个时间段交通流参数值，使得预测的交通状况与真实的道路交通流??状态尽可能的相似。??距离Ｄ?厂（１）过去时段交逋状态ｆ预测交通状态??２?｜?｜?（２＞声际交通状态??ｔ?／?：?Ｉ?＼Ｍ?＼?：??１?［／?／＿?：?＾?时间?ｔ??１?２?ｉ?ｉ＋１?．．．．．．?ｌ??图２－２交通运行状态预测概念图表示??道路交通流变化具有不确定性，短时交通流预测需要从交通流设备采集信??息，这些信息可以反映交通流的状态，同时要考虑外界因素的干扰，对道路交通??数据进行分析，建立交通流预测

??流预测的基本流程如图２－３所示。??图２－３道路交通流状态预测流程图??短时交通流预测模型要满足以下几个基本特性：（１）准确性。建立的预测模??型要有较好的预测效果，这样才能应用于道路交通管理和控制中，如果预测精度??达不到要求，不仅不能有效地进行交通诱导，反而会加重道路交通拥堵，所以不??准确的交通流预测毫无意义。（２）实时性。为了确保模型预测精确度，需要使??用大量的历史交通数据和实时数据训练预测模型，模型要满足快速运算能力要??求，要能够在规定的短时间内完成一系列数值计算并求出计算结果，以确保能够??及时地预测未来交通流信息。（３）可靠性。应选择带有噪声的历史交通数据进??行模型建立，以提高系统的抗干扰能力和实时适应能力，从而确保模型预测准确??度。??２．２．２短时交通流预测方法??近年来，短时交通流量预测研宄得到了国内外专家和学者广泛地关注，现己??提出了许多方法应用于交通流预测。?＿??目前
【参考文献】

相关期刊论文 前10条

1 曾敏;周益龙;;基于深度学习模型的行人检测研究与仿真[J];南京邮电大学学报(自然科学版);2015年06期

2 谭娟;王胜春;;基于深度学习的交通拥堵预测模型研究[J];计算机应用研究;2015年10期

3 李巧茹;赵蓉;陈亮;;基于SVM与自适应时空数据融合的短时交通流量预测模型[J];北京工业大学学报;2015年04期

4 熊伟晴;燕晓波;姜守旭;李治军;;基于BP神经网络和模糊推理系统的短时交通流预测[J];智能计算机与应用;2015年02期

5 钱伟;杨矿利;杨慧慧;徐青政;;基于组合模型的短时交通流预测[J];计算机仿真;2015年02期

6 唐毅;刘卫宁;孙棣华;魏方强;余楚中;;改进时间序列模型在高速公路短时交通流量预测中的应用[J];计算机应用研究;2015年01期

7 王宪保;李洁;姚明海;何文秀;钱沄涛;;基于深度学习的太阳能电池片表面缺陷检测方法[J];模式识别与人工智能;2014年06期

8 孙棣华;李超;廖孝勇;;高速公路短时交通流量预测的改进非参数回归算法[J];公路交通科技;2013年11期

9 李颖宏;刘乐敏;王玉全;;基于组合预测模型的短时交通流预测[J];交通运输系统工程与信息;2013年02期

10 郭敏;蓝金辉;肖翔;卢海锋;;基于混沌理论对北京二环路进行短时交通流量预测的研究[J];交通运输系统工程与信息;2010年02期

相关硕士学位论文 前1条

1 金玉婷;基于混沌和小波神经网络的短时交通流预测方法研究[D];西南交通大学;2014年

本文编号：2874971