基于道路上下文的公交到站时间预测研究
发布时间：2021-04-04 03:19
在城市发展的过程中,城市人口以及车辆数量的不断增多,加剧了交通拥堵的局面,同时进一步加重了环境污染。为了解决这些问题,政府大力建设公共交通系统,推荐公交车作为人们首选的出行方式。然而在实际的生活中,实时交通情况、天气情况、红绿灯变化的时间以及公交车停靠站点的位置等因素都会影响到公交车的正常行驶。这些都会导致公交车到站的预测时间误差较大,影响人们的正常出行。因此,实时公交到站预测的重要性愈加明显,在国内外都得到了较为广泛的关注。现实条件中,公交车不是单一的个体,它的行驶会受到其他因素的约束,在诸多因素中,道路交通情况对公交车的影响尤为重要。考虑道路情况对公交车到站时间的影响,对完善公交到站时间预测模型有重要意义。首先,需要获取公交车定位数据,对数据进行预处理。为了保证数据的可靠性以及准确性,使用公交车载GPS设备的定位数据。然后筛选错误数据,定义公交线路信息格式,构建公交线路基本特征。其次,探究不同影响因素对公交车到站时间预测准确度的影响。公交车在道路上沿规定的路线行驶时,实时交通情况、道路拥挤程度、红绿灯变化的时间以及公交车停靠站点的位置等因素都会影响到公交车的正常行驶。将这些因素划归...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
RNN网络结构
1 tttS fUIWS（RNN 虽然解决了传统神经网络不能学习历史信息的问题，但是由于传播[42]的过程中，通过随机梯度下降算法（Stochastic Gradient Descent，]计算梯度的时候，会有梯度消失[45]的现象，这就导致当 RNN 循环层最初按时间展开的几层参数无法更新，导致 RNN 并不能学习到当前有时刻的信息，为了解决这个问题，长短时记忆循环网络由此诞生。长短期记忆循环网络长短期记忆循环网络（Long Short-Term Memory，LSTM）[46]通过使来实现时间上的记忆功能，由此防止梯度消失，可以记忆很久之前的种记忆长时的历史信息的模式和公交到站时间预测问题相吻合，因 LSTM 作为公交到站时间预测的基本模型。与 RNN 相同，LSTM 也是对同一个单元结构在时间上进行循环[47]，将间序列展开，可以得到如图 2-2 所示的网络结构。
图 2-3 LSTM 单元结构Figure 2-3 LSTM unit structure使用门结构来选择信息是否通过，包含一个 sigmoid 神经网出 0 到 1 之间的数值，描述每个部分有多少量可以通过：0息通过，1 代表允许任何信息通过。LSTM 包含三个门结构（输出门）以及一个信息处理结构（隐藏层）。下面分别进行介门作用于输入信息tI ，决定什么样的信息会被当前单元结构处理分：其一，sigmoid 函数决定什么值要进行更新，输出一个 0其二，tanh 函数进行信息处理，输出当前时刻 LSTM 需要记忆新方式见式（2-2）和式（2-3），其中iW 和sW 为权重，ib 和 代表的含义为对上一时刻的输出和当前时刻的输入进行组合
【参考文献】：
期刊论文
[1]TensorFlow平台上基于LSTM神经网络的人体动作分类[J]. 杨煜,张炜. 智能计算机与应用. 2017(05)
[2]基于word2vec和LSTM的饮食健康文本分类研究[J]. 赵明,杜会芳,董翠翠,陈长松. 农业机械学报. 2017(10)
[3]基于MapReduce聚类和神经网络的公交车到站时间预测模型[J]. 谢芳,顾军华,张素琪,张建. 计算机应用. 2017(S1)
[4]小城市近期公交线网优化调整技术[J]. 陈艳艳,郝世洋,王振报,杨万凯. 交通科技与经济. 2016(06)
[5]基于智能手机的公交车到站时间预测[J]. 张强. 数字技术与应用. 2016(02)
[6]探究影响卫星传输安全的因素及其应对策略[J]. 刘婕. 黑龙江科技信息. 2015(22)
[7]国际交通信息化发展文献回顾[J]. 宗刚,李腾海子. 中国交通信息化. 2015(04)
[8]基于时间分段的公交车到站时间预测模型研究[J]. 张强,张艳艳. 数字技术与应用. 2014(11)
[9]基于模糊综合评价法的大陆游客台湾旅游体验研究[J]. 刘勇. 江苏建筑职业技术学院学报. 2014(03)
[10]公交到站时间预测研究现状与发展趋势[J]. 向红艳,彭学文. 交通信息与安全. 2014(04)
硕士论文
[1]基于异构信息的公交车到站时间预测研究[D]. 黄晶.北京工业大学 2017
[2]城市快速公交系统（BRT）服务水平评价研究[D]. 余芯璇.重庆交通大学 2017
[3]基于深度学习的智能对话问答系统研究[D]. 陈虹.厦门大学 2017
[4]基于大数据的山地城市路阻函数研究[D]. 于海勇.重庆交通大学 2016
[5]基于支持向量机回归的传染病预测系统建模[D]. 俞璐.中国科学技术大学 2015
[6]公交车到站时间预测模型与实证研究[D]. 计晓昕.北京交通大学 2015
[7]公交浮动车到达时间实时预测研究[D]. 赖云波.重庆大学 2011
[8]智能公交车辆到站时间预测研究[D]. 李福双.北京交通大学 2009
[9]基于IC卡数据和公交车GPS信息的公交OD矩阵推算[D]. 戴维.华中科技大学 2009
[10]红外APC乘客计数精度改进及公交客运量预测模型研究[D]. 涂平.重庆大学 2008
本文编号：3117633
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
RNN网络结构
1 tttS fUIWS（RNN 虽然解决了传统神经网络不能学习历史信息的问题，但是由于传播[42]的过程中，通过随机梯度下降算法（Stochastic Gradient Descent，]计算梯度的时候，会有梯度消失[45]的现象，这就导致当 RNN 循环层最初按时间展开的几层参数无法更新，导致 RNN 并不能学习到当前有时刻的信息，为了解决这个问题，长短时记忆循环网络由此诞生。长短期记忆循环网络长短期记忆循环网络（Long Short-Term Memory，LSTM）[46]通过使来实现时间上的记忆功能，由此防止梯度消失，可以记忆很久之前的种记忆长时的历史信息的模式和公交到站时间预测问题相吻合，因 LSTM 作为公交到站时间预测的基本模型。与 RNN 相同，LSTM 也是对同一个单元结构在时间上进行循环[47]，将间序列展开，可以得到如图 2-2 所示的网络结构。
图 2-3 LSTM 单元结构Figure 2-3 LSTM unit structure使用门结构来选择信息是否通过，包含一个 sigmoid 神经网出 0 到 1 之间的数值，描述每个部分有多少量可以通过：0息通过，1 代表允许任何信息通过。LSTM 包含三个门结构（输出门）以及一个信息处理结构（隐藏层）。下面分别进行介门作用于输入信息tI ，决定什么样的信息会被当前单元结构处理分：其一，sigmoid 函数决定什么值要进行更新，输出一个 0其二，tanh 函数进行信息处理，输出当前时刻 LSTM 需要记忆新方式见式（2-2）和式（2-3），其中iW 和sW 为权重，ib 和 代表的含义为对上一时刻的输出和当前时刻的输入进行组合
【参考文献】：
期刊论文
[1]TensorFlow平台上基于LSTM神经网络的人体动作分类[J]. 杨煜,张炜. 智能计算机与应用. 2017(05)
[2]基于word2vec和LSTM的饮食健康文本分类研究[J]. 赵明,杜会芳,董翠翠,陈长松. 农业机械学报. 2017(10)
[3]基于MapReduce聚类和神经网络的公交车到站时间预测模型[J]. 谢芳,顾军华,张素琪,张建. 计算机应用. 2017(S1)
[4]小城市近期公交线网优化调整技术[J]. 陈艳艳,郝世洋,王振报,杨万凯. 交通科技与经济. 2016(06)
[5]基于智能手机的公交车到站时间预测[J]. 张强. 数字技术与应用. 2016(02)
[6]探究影响卫星传输安全的因素及其应对策略[J]. 刘婕. 黑龙江科技信息. 2015(22)
[7]国际交通信息化发展文献回顾[J]. 宗刚,李腾海子. 中国交通信息化. 2015(04)
[8]基于时间分段的公交车到站时间预测模型研究[J]. 张强,张艳艳. 数字技术与应用. 2014(11)
[9]基于模糊综合评价法的大陆游客台湾旅游体验研究[J]. 刘勇. 江苏建筑职业技术学院学报. 2014(03)
[10]公交到站时间预测研究现状与发展趋势[J]. 向红艳,彭学文. 交通信息与安全. 2014(04)
硕士论文
[1]基于异构信息的公交车到站时间预测研究[D]. 黄晶.北京工业大学 2017
[2]城市快速公交系统（BRT）服务水平评价研究[D]. 余芯璇.重庆交通大学 2017
[3]基于深度学习的智能对话问答系统研究[D]. 陈虹.厦门大学 2017
[4]基于大数据的山地城市路阻函数研究[D]. 于海勇.重庆交通大学 2016
[5]基于支持向量机回归的传染病预测系统建模[D]. 俞璐.中国科学技术大学 2015
[6]公交车到站时间预测模型与实证研究[D]. 计晓昕.北京交通大学 2015
[7]公交浮动车到达时间实时预测研究[D]. 赖云波.重庆大学 2011
[8]智能公交车辆到站时间预测研究[D]. 李福双.北京交通大学 2009
[9]基于IC卡数据和公交车GPS信息的公交OD矩阵推算[D]. 戴维.华中科技大学 2009
[10]红外APC乘客计数精度改进及公交客运量预测模型研究[D]. 涂平.重庆大学 2008
本文编号：3117633
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3117633.html
