基于因子分解机的交通流预测研究

发布时间：2021-03-14 19:11

　　近几年,我国城市交通路网的基础设施建设发展迅猛。但是,随着经济的飞速发展,道路的增建措施远远不能够满足不断增长的出行需要。因此,许多大城市交通路网经常出现交通拥堵,甚至面临大面积瘫痪的灾难。交通流预测是智能交通系统的重要研究领域,准确的交通流预测能够实现智能交通系统中的交通信号控制、路径诱导、事故检测等应用,是智能交通领域非常重要的基础理论。通过对交通流分析和预测,可以有效地帮助城市进行智能交通的诱导工作,为人们的出行提供方便。因子分解机作为一种基于矩阵分解的机器学习方法,能够较好地解决了非线性、高维度、高稀疏等实际问题,是复杂非线性科学和人工智能领域的前沿技术,非常适合解决复杂城市路网的交通流预测问题,实现城市道路交通中的智能化控制,有效缓解城市道路交通的压力。本文以基于因子分解机的交通流预测为题,在分析城市路网结构和交通流数据的基础上,对城市路网的交通流预测方法展开了深入研究和探讨。并根据实际的交通流数据构建方法模型,具有实际应用的可行性。本文的主要工作如下:（1）通过对交通流数据的分析和对错误及缺失数据的识别和处理,减少噪声对预测过程的影响,并为下一步的交通流预测模型的建立奠定基... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

北京某日早高峰时段的实时路况目前，我国投入大量人力物力去改善这些现象

共享单车用户数量及增速为了优化交通路网，缓解交通拥堵，保证交通出行的安全和稳定[2]

连续两周交通流量变化曲线

【参考文献】：
期刊论文
[1]基于ARIMA和灰色模型加权组合的短期交通流预测[J]. 谈苗苗,成孝刚,周凯,李海波.  计算机技术与发展. 2016(11)
[2]中国智能交通系统发展迎来新机遇[J]. 王笑京,程世东.  中国公路. 2016(17)
[3]对目前我国城市交通管理智能化的问题与对策研究[J]. 高亮.  新经济. 2016(14)
[4]我国城市道路交通规划现状与发展策略初探[J]. 刘丽薇.  中国新技术新产品. 2016(07)
[5]基于粒计算的交通流参数预测[J]. 丁宏飞,刘博,罗霞,李演洪.  交通运输系统工程与信息. 2015(06)
[6]基于小波分析组合模型的随机交通流预测系统[J]. 钟秋燕.  激光杂志. 2015(11)
[7]基于自动编码器的短文本特征提取及聚类研究[J]. 刘勘,袁蕴英.  北京大学学报(自然科学版). 2015(02)
[8]基于时空特性的短时交通流预测模型[J]. 邱敦国,兰时勇,杨红雨.  华南理工大学学报(自然科学版). 2014(07)
[9]基于时空依赖性的区域路网短时交通流预测模型[J]. 常刚,张毅,姚丹亚.  清华大学学报(自然科学版). 2013(02)
[10]基于遗传算法的BP神经网络短时交通流预测[J]. 王成宝,任传祥,尹唱唱,陈梦.  山东交通科技. 2012(05)

博士论文
[1]连续交通流状态的离散特性分析与短时预测[D]. 史国刚.东南大学 2016
[2]基于相似性的交通流分析方法[D]. 李星毅.北京交通大学 2010

硕士论文
[1]基于稀疏自动编码器和边缘降噪自动编码器的深度学习算法研究[D]. 邓俊锋.武汉科技大学 2016
[2]基于混沌理论和数据融合的短时交通流预测[D]. 蒋肖.重庆邮电大学 2016
[3]基于支持向量回归的短时交通流预测方法研究与应用[D]. 武琼.长安大学 2016
[4]基于深度学习的路网短时交通流预测[D]. 焦琴琴.长安大学 2016
[5]基于车联网的短时交通流预测算法研究[D]. 林冬霞.华南理工大学 2015
[6]基于指数平滑法和ARIMA的交通量组合预测模型应用研究[D]. 魏杏.郑州大学 2014
[7]粒子群优化的神经网络在交通流预测中的应用[D]. 闫纪如.浙江工业大学 2013
[8]基于因子分解机的社交网络关系推荐研究[D]. 余秋宏.北京邮电大学 2013
[9]基于卡尔曼滤波和小波神经网络的短时交通流预测研究[D]. 陈浩.兰州交通大学 2011



本文编号：3082786