基于深度高斯过程的交通流预测
发布时间：2020-12-04 19:21
深度高斯过程作为近年来提出的一种新的深度学习方法,由于其强大的学习能力和对非线性数据的隐含细节特征的刻画,被广泛运用于非监督学习领域。与传统机器学习方法或深度学习方法不同,深度高斯过程从单个浅层高斯过程出发,通过使用变分推断的方法,解决了求解最大后验概率分布时的非解析解困境,从而能够在给出预测值的同时,还能从概率意义上刻画预测的不确定性,这种特性在时间序列预测领域中,尤其是在交通流预测中非常具有现实的意义。本文首次将深度高斯过程运用于交通流预测当中,主要工作如下:(1)针对交通流数据的高噪声特性,进行了大量的数据预处理工作,这些工作包括:通过对于各个缺失值填充方法的对比,选择了前向填充作为本文的填充方式;针对数据中的高噪声情况,对比了几个常用的滤波算法,并选择了局部线性加权回归滤波作为最终的去噪手段。(2)搭建了三层的由不同核函数组成的深度高斯网络,对实际数据集中的长期交通流进行了预测,并取得了良好的效果。(3)将深度高斯过程与浅层高斯过程在纵向维度上进行对比,实验证明深度高斯过程在非线性特征拟合程度及预测精度方面,都表现出相比于传统浅层高斯更好的效果,尤其是针对交通流的波动,深度高斯...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
智能交通系统组成部分Figure1-1ComponentsofIntelligentTransportationSystem
图２－２?ＡＲＩＭＡ模型的建模步骤??Ｆｉｇｕｒｅ?２－２?Ｓｔｅｐｓ?ｏｆ?ｍｏｄｅｌｉｎｇ?ＡＲＩＭＡ??
图２－３典型的多层ＢＰ神经网络??Ｆｉｇｕｒｅ?２－３?Ｔｙｐｉｃａｌ?ｍｕｌｔｉｌａｙｅｒ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??如图２－３所示，图中该ＢＰ神经网络由三个层组成：最左边的一层称为输入层??（ＩｎｐｕｔＬａｙｅｒ），最右的一层为输出层（ＯｕｔｐｕｔＬａｙｅｒ），中间所有神经元组成的层叫??做隐藏层（ＨｉｄｄｅｎＬａｙｅｒ）。每个蓝色圆圈代表一个输入值，带有“＋１”标识的圆圈??为偏置项。??在向量运算空间中，若用表示神经网络的权值参数，则该神经元的参数??为＿４＝＾（＇６（１），％６１，代表着隐含层的权值向量＃＇６（１）和输出层的权值??１８??
【参考文献】：
期刊论文
[1]基于小波神经网络模型的短时交通流低频数据的预测[J]. 丁肃然. 技术与市场. 2017(11)
[2]基于马尔可夫时变模型的流量数据挖掘[J]. 叶德忠,巫忠正,蒋勇. 软件. 2017(09)
[3]基于模糊神经网络的短时交通流预测方法研究[J]. 程山英. 计算机测量与控制. 2017(08)
[4]短时交通流量的变结构预测模型[J]. 谈堃,殷礼胜,柴良勇. 自动化技术与应用. 2017(07)
[5]基于ARMA和卡尔曼滤波的短时交通预测[J]. 杨高飞,徐睿,秦鸣,郑凯俐,张兵. 郑州大学学报(工学版). 2017(02)
[6]基于ARIMA和小波神经网络组合模型的交通流预测[J]. 成云,成孝刚,谈苗苗,周凯,李海波. 计算机技术与发展. 2017(01)
[7]高斯过程回归短时交通流预测方法[J]. 康军,段宗涛,唐蕾,刘研,王超. 交通运输系统工程与信息. 2015(04)
[8]相空间重构的卡尔曼滤波交通流预测研究[J]. 钱伟,杨慧慧,孙玉娟. 计算机工程与应用. 2016(14)
[9]高斯过程回归方法综述[J]. 何志昆,刘光斌,赵曦晶,王明昊. 控制与决策. 2013(08)
[10]基于混沌分析的道路网交通流短时预测[J]. 董春娇,邵春福,李娟,孟梦. 系统工程学报. 2011(03)
博士论文
[1]基于马尔可夫链的道路交通事故预测研究及应用[D]. 赵玲.长安大学 2013
[2]基于实时数据的道路网短时交通流预测理论与方法研究[D]. 姚智胜.北京交通大学 2007
[3]先进的交通管理系统关键理论与方法研究[D]. 杨庆芳.吉林大学 2004
[4]基于集成神经网络的城市道路交通流量融合预测研究[D]. 李存军.西南交通大学 2004
[5]贝叶斯学习理论及其应用研究[D]. 宫秀军.中国科学院研究生院（计算技术研究所） 2002
硕士论文
[1]Hadoop环境下基于神经网络的交通流预测方法研究[D]. 王春安.北京交通大学 2017
[2]基于改进狼群算法的小波神经网络短时交通流预测[D]. 齐璐.西南交通大学 2017
[3]基于马尔可夫链组合模型的交通流量长时预测[D]. 谢凯兵.北京交通大学 2017
[4]基于神经网络的城市交通流量预测模型研究[D]. 张佳宁.广东工业大学 2016
[5]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[6]基于二型模糊集合理论的交通流长时预测方法研究[D]. 江超阳.北京交通大学 2016
[7]基于短—长期模型组合的交通流预测方法[D]. 彭栋栋.山东理工大学 2012
[8]基于高斯过程的pH中和过程控制研究[D]. 张惠泽.哈尔滨工业大学 2010
[9]交通流预测的分形理论与系统仿真[D]. 李健.长安大学 2010
本文编号：2898115
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
智能交通系统组成部分Figure1-1ComponentsofIntelligentTransportationSystem
图２－２?ＡＲＩＭＡ模型的建模步骤??Ｆｉｇｕｒｅ?２－２?Ｓｔｅｐｓ?ｏｆ?ｍｏｄｅｌｉｎｇ?ＡＲＩＭＡ??
图２－３典型的多层ＢＰ神经网络??Ｆｉｇｕｒｅ?２－３?Ｔｙｐｉｃａｌ?ｍｕｌｔｉｌａｙｅｒ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??如图２－３所示，图中该ＢＰ神经网络由三个层组成：最左边的一层称为输入层??（ＩｎｐｕｔＬａｙｅｒ），最右的一层为输出层（ＯｕｔｐｕｔＬａｙｅｒ），中间所有神经元组成的层叫??做隐藏层（ＨｉｄｄｅｎＬａｙｅｒ）。每个蓝色圆圈代表一个输入值，带有“＋１”标识的圆圈??为偏置项。??在向量运算空间中，若用表示神经网络的权值参数，则该神经元的参数??为＿４＝＾（＇６（１），％６１，代表着隐含层的权值向量＃＇６（１）和输出层的权值??１８??
【参考文献】：
期刊论文
[1]基于小波神经网络模型的短时交通流低频数据的预测[J]. 丁肃然. 技术与市场. 2017(11)
[2]基于马尔可夫时变模型的流量数据挖掘[J]. 叶德忠,巫忠正,蒋勇. 软件. 2017(09)
[3]基于模糊神经网络的短时交通流预测方法研究[J]. 程山英. 计算机测量与控制. 2017(08)
[4]短时交通流量的变结构预测模型[J]. 谈堃,殷礼胜,柴良勇. 自动化技术与应用. 2017(07)
[5]基于ARMA和卡尔曼滤波的短时交通预测[J]. 杨高飞,徐睿,秦鸣,郑凯俐,张兵. 郑州大学学报(工学版). 2017(02)
[6]基于ARIMA和小波神经网络组合模型的交通流预测[J]. 成云,成孝刚,谈苗苗,周凯,李海波. 计算机技术与发展. 2017(01)
[7]高斯过程回归短时交通流预测方法[J]. 康军,段宗涛,唐蕾,刘研,王超. 交通运输系统工程与信息. 2015(04)
[8]相空间重构的卡尔曼滤波交通流预测研究[J]. 钱伟,杨慧慧,孙玉娟. 计算机工程与应用. 2016(14)
[9]高斯过程回归方法综述[J]. 何志昆,刘光斌,赵曦晶,王明昊. 控制与决策. 2013(08)
[10]基于混沌分析的道路网交通流短时预测[J]. 董春娇,邵春福,李娟,孟梦. 系统工程学报. 2011(03)
博士论文
[1]基于马尔可夫链的道路交通事故预测研究及应用[D]. 赵玲.长安大学 2013
[2]基于实时数据的道路网短时交通流预测理论与方法研究[D]. 姚智胜.北京交通大学 2007
[3]先进的交通管理系统关键理论与方法研究[D]. 杨庆芳.吉林大学 2004
[4]基于集成神经网络的城市道路交通流量融合预测研究[D]. 李存军.西南交通大学 2004
[5]贝叶斯学习理论及其应用研究[D]. 宫秀军.中国科学院研究生院（计算技术研究所） 2002
硕士论文
[1]Hadoop环境下基于神经网络的交通流预测方法研究[D]. 王春安.北京交通大学 2017
[2]基于改进狼群算法的小波神经网络短时交通流预测[D]. 齐璐.西南交通大学 2017
[3]基于马尔可夫链组合模型的交通流量长时预测[D]. 谢凯兵.北京交通大学 2017
[4]基于神经网络的城市交通流量预测模型研究[D]. 张佳宁.广东工业大学 2016
[5]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[6]基于二型模糊集合理论的交通流长时预测方法研究[D]. 江超阳.北京交通大学 2016
[7]基于短—长期模型组合的交通流预测方法[D]. 彭栋栋.山东理工大学 2012
[8]基于高斯过程的pH中和过程控制研究[D]. 张惠泽.哈尔滨工业大学 2010
[9]交通流预测的分形理论与系统仿真[D]. 李健.长安大学 2010
本文编号：2898115
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2898115.html
