基于CNN的轨道交通拥堵预测算法研究
发布时间：2021-03-01 03:02
近些年来,随着城市建设的不断完善,城市轨道交通也日益成熟,人们对于出行的质量越来越高。但是,轨道交通在方面人们出行的同时,也会带来交通拥堵问题。通过对轨道交通路网中各个站点的历史客流数据深度分析,挖掘轨道交通客流的特点,预测短时的时间间隔内站点的拥堵状况,从而向人们提供人性化的出行向导,提升地铁部门的服务质量。轨道交通拥堵预测成为当下研究的热点。轨道交通客流和普通客流有很大不同,轨道交通的各个站点紧密相连,组成庞大的轨道交通路网。整个路网中的出行者不断的进站和出站形成了客流。轨道交通客流不仅具有周期性、随机性等诸多特性,也使得站点之间的客流存在时间和空间的联系。本文在研究轨道交通客流特点的基础上,兼顾路网中站点客流的时空联系,对站点客流拥堵进行预测,取得了良好的效果。本文利用CNN卷积神经网络算法对轨道交通的拥堵进行预测。通过分析轨道交通客流的特点和改变CNN卷积神经网络的结构,来研究对于预测性能的影响,本文的主要研究工作如下:（1）为了保证数据的完整性,针对轨道交通客流的特点,对客流数据进行数据预处理,包括缺失数据的补充和客流拥堵级别的转换。（2）构建CNN卷积神经网络结构和训练模型...
【文章来源】：成都理工大学四川省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
8年6月6日星期三桂林站客流波形图
17图 3-2 18年 6月 9 日星期六桂林站客流波形图(2) 突发状况或者大事件的影响。当城市的某个区域发生了突发事件，或响比较大的事件，比如国家队的足球比赛、网球公开赛等等。这些类似的极有可能会使得附近的站点在短短的几个小时内造成该站点的拥堵情况，，可能会间接地影响其他站点。(3) 算法本身的影响，每种算法都不可能做到非常完美，算法模型的设计或少的会影响预测的准确性。本文将从卷积核的大小入手，分析卷积核的，卷积层的层数对于算法预测性能的影响。本文的第四章实验部分也具体
41图 4-1 上海轨道交通路网部分站点分布情况将原始的数据集经过数据预处理之后，整理成如表格 4-3的数据结构：表 4-3 客流信息转换为拥堵状况示意图站点代码 5 分钟内客流量 客流拥堵级别0926 6 10241 10 10845 2 1另外，为了研究不同的时间间隔对于预测性能的影响，按照 5+5*x 来重整理数据集，其中，x=1，2。当 x=1，即时间间隔是 10 分钟时，数据集270389634 条记录。当 x=2，即时间间隔是 15 分钟时，数据集为 146205928 记录。
【参考文献】：
期刊论文
[1]浅析大数据时代计算机数据的存储与传输技术[J]. 吴旋. 中国新通信. 2018(24)
[2]BP神经网络原理研究与实现[J]. 韩普,周汉辰,周北望. 广播电视信息. 2018(10)
[3]以“互联网+”信息化建设助推城市轨道交通智能化思考[J]. 汪芯羽,李宇. 中国新技术新产品. 2018(11)
[4]城市道路交通拥堵的模糊神经网络评析[J]. 诸云,王建宇,杨莹,刘博航. 北京理工大学学报. 2018(05)
[5]基于稀疏自动编码器的深度神经网络实现[J]. 张光建. 现代计算机(专业版). 2017(35)
[6]城市轨道交通客流预测分析[J]. 郭娟,刘雪锋,谭万波. 建材与装饰. 2017(46)
[7]城市轨道交通供电系统智能化探索与应用[J]. 霍锂. 居业. 2017(10)
[8]大数据时代城市智能交通系统发展方向[J]. 温慧敏,全宇翔,孙建平. 城市交通. 2017(05)
[9]基于非参数回归的城轨实时进出站客流预测[J]. 谢俏,李斌斌,何建涛,姚恩建. 都市快轨交通. 2017(02)
[10]基于多元时间序列的交通流预测模型[J]. 丁永兵,胡尧,沈齐,王亚运. 贵州大学学报(自然科学版). 2017(01)
博士论文
[1]基于支持向量机的交通流预测方法研究[D]. 王凡.大连理工大学 2010
硕士论文
[1]城市轨道交通车站客流承载力研究[D]. 余杰.北京交通大学 2018
[2]基于时间序列分析的首都机场离港交通流可预测性研究[D]. 刘伟.中国民航大学 2018
[3]城市轨道交通网络重要区间识别及客流时空演化特性研究[D]. 王涵晴.北京交通大学 2018
[4]基于时空网络的城市轨道交通客流分配研究[D]. 刘卫松.西南交通大学 2018
[5]基于深度学习的地铁短时客流量预测研究[D]. 李捷.西南交通大学 2018
[6]城市轨道交通节假日客流传播及控制研究[D]. 刘若鸿.北京建筑大学 2017
[7]城市轨道交通短时客流不确定性机理研究[D]. 付保明.东南大学 2017
[8]基于客流短时预测的城市轨道交通运营组织[D]. 张亚运.长安大学 2016
[9]城市轨道交通短期客流预测方法及应用研究[D]. 潘洁.重庆交通大学 2015
[10]基于贝叶斯网络的城市道路拥挤概率预测研究[D]. 刘异.北京交通大学 2015
本文编号：3056866
【文章来源】：成都理工大学四川省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
8年6月6日星期三桂林站客流波形图
17图 3-2 18年 6月 9 日星期六桂林站客流波形图(2) 突发状况或者大事件的影响。当城市的某个区域发生了突发事件，或响比较大的事件，比如国家队的足球比赛、网球公开赛等等。这些类似的极有可能会使得附近的站点在短短的几个小时内造成该站点的拥堵情况，，可能会间接地影响其他站点。(3) 算法本身的影响，每种算法都不可能做到非常完美，算法模型的设计或少的会影响预测的准确性。本文将从卷积核的大小入手，分析卷积核的，卷积层的层数对于算法预测性能的影响。本文的第四章实验部分也具体
41图 4-1 上海轨道交通路网部分站点分布情况将原始的数据集经过数据预处理之后，整理成如表格 4-3的数据结构：表 4-3 客流信息转换为拥堵状况示意图站点代码 5 分钟内客流量 客流拥堵级别0926 6 10241 10 10845 2 1另外，为了研究不同的时间间隔对于预测性能的影响，按照 5+5*x 来重整理数据集，其中，x=1，2。当 x=1，即时间间隔是 10 分钟时，数据集270389634 条记录。当 x=2，即时间间隔是 15 分钟时，数据集为 146205928 记录。
【参考文献】：
期刊论文
[1]浅析大数据时代计算机数据的存储与传输技术[J]. 吴旋. 中国新通信. 2018(24)
[2]BP神经网络原理研究与实现[J]. 韩普,周汉辰,周北望. 广播电视信息. 2018(10)
[3]以“互联网+”信息化建设助推城市轨道交通智能化思考[J]. 汪芯羽,李宇. 中国新技术新产品. 2018(11)
[4]城市道路交通拥堵的模糊神经网络评析[J]. 诸云,王建宇,杨莹,刘博航. 北京理工大学学报. 2018(05)
[5]基于稀疏自动编码器的深度神经网络实现[J]. 张光建. 现代计算机(专业版). 2017(35)
[6]城市轨道交通客流预测分析[J]. 郭娟,刘雪锋,谭万波. 建材与装饰. 2017(46)
[7]城市轨道交通供电系统智能化探索与应用[J]. 霍锂. 居业. 2017(10)
[8]大数据时代城市智能交通系统发展方向[J]. 温慧敏,全宇翔,孙建平. 城市交通. 2017(05)
[9]基于非参数回归的城轨实时进出站客流预测[J]. 谢俏,李斌斌,何建涛,姚恩建. 都市快轨交通. 2017(02)
[10]基于多元时间序列的交通流预测模型[J]. 丁永兵,胡尧,沈齐,王亚运. 贵州大学学报(自然科学版). 2017(01)
博士论文
[1]基于支持向量机的交通流预测方法研究[D]. 王凡.大连理工大学 2010
硕士论文
[1]城市轨道交通车站客流承载力研究[D]. 余杰.北京交通大学 2018
[2]基于时间序列分析的首都机场离港交通流可预测性研究[D]. 刘伟.中国民航大学 2018
[3]城市轨道交通网络重要区间识别及客流时空演化特性研究[D]. 王涵晴.北京交通大学 2018
[4]基于时空网络的城市轨道交通客流分配研究[D]. 刘卫松.西南交通大学 2018
[5]基于深度学习的地铁短时客流量预测研究[D]. 李捷.西南交通大学 2018
[6]城市轨道交通节假日客流传播及控制研究[D]. 刘若鸿.北京建筑大学 2017
[7]城市轨道交通短时客流不确定性机理研究[D]. 付保明.东南大学 2017
[8]基于客流短时预测的城市轨道交通运营组织[D]. 张亚运.长安大学 2016
[9]城市轨道交通短期客流预测方法及应用研究[D]. 潘洁.重庆交通大学 2015
[10]基于贝叶斯网络的城市道路拥挤概率预测研究[D]. 刘异.北京交通大学 2015
本文编号：3056866
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3056866.html
