车联网环境下路网交通态势预测方法研究

发布时间：2021-06-08 22:11

　　日益严重的交通拥堵已经对我国城市社会经济发展产生了多种不良影响,如何缓解大城市交通拥堵已经成为交通管理者所必须面对的问题。随着车联网技术的不断发展,交通管理者尝试将车联网技术用于路网交通信息的采集与共享,为出行者提供及时、准确的交通态势信息,以便于出行者获取更加合理的出行路径,缓解整个路网的交通拥堵程度。因此,对车联网环境下路网交通态势预测方法的研究,对提高城市路网的通行效率、改善交通拥堵具有很重要的意义。本文将路网交通态势作为研究对象,考虑车联网环境特征对路网交通态势预测方法进行研究,并基于构建的车联网环境对预测方法进行有效性验证。首先,在对传统环境及车联网环境下交通状态表征及预测方法进行综述基础上,总结现有研究存在不足提出本文研究内容及技术路线。然后,通过分析国内外交通状态表征模型,确定了本文交通状态表征模型的评价指标。在此基础上,提出了基于模糊综合评价的交通状态表征模型。接着,介绍了三类经典交通态势预测方法,并分析了车联网环境下交通态势影响因素。基于长短期记忆（Long Short-Term Memory,LSTM）网络提出一种车联网环境下路网交通态势预测方法,结合LSTM网络工... 

【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】：138 页

【学位级别】：硕士

【部分图文】：

图３－１?ＲＮＮ网络基本形式??Ｆｉｇｕｒｅ?３－１?Ｂａｓｉｃ?ｆｏｒｍ?ｏｆ?ＲＮＮ??第一种为一对多网络，其输入层只有一个输入值，输出层有多个输出值，即将??

ＬＳＴＭ体系结构由一组递归连接子网组成，称为记忆块。每个记忆块包含一个??或多个自连接存记忆ｃｅｌｌ和三个乘法单元，乘法单元为ｃｅｌｌ提供连续的写入，读取??和重置操作，具有一个Ｃｅｌｌ的ＬＳＴＭ记忆块结构如图３－２所示。??＼?ｔ?／??输出门?“??＼?记忆门?乂??（＾）记忆块??｜?７Ｔ＼—??图３－２?ＬＳＴＭ记忆块结构??Ｆｉｇｕｒｅ?３－２?ＬＳＴＭ?ｍｅｍｏｒｙ?ｂｌｏｃｋ?ｗｉｔｈ?ｏｎｅ?ｃｅｌｌ??由图３－２可知，三个乘法单元分别为输入门、输出门、记忆门，且均为非线性??求和单元，用于收集记忆块内部和外部的激活信号，并通过乘法控制ｃｅｌｌ的激活。??前文提到，不管当前的预测位置与相关信息的时间间隔有多长，ＬＳＴＭ都能够??进行处理，为说明此特点，对ＬＳＴＭ网络中随时间变化的梯度信息进行分析，如??图３－３所示。??３４??

图３－３?ＬＳＴＭ梯度信息保存示意??Ｆｉｇｕｒｅ?３－３?Ｐｒｅｓｅｒｖａｔｉｏｎ?ｏｆ?ｇｒａｄｉｅｎｔ?ｉｎｆｏｒｍａｔｉｏｎ?ｂｙ?ＬＳＴＭ．??图３－３中，节点的阴影表示该节点对第一时刻输入数据的敏感性，黑色节点表??示敏感性高，白色节点表示完全不敏感。输入门、记忆门和输出门的状态分别显示??在隐含层的上方、下方及左边，“〇”表示打开状态，表示关闭状态。当记忆??门处于打开状态而输入门处于关闭状态时，ｃｅｌｌ便会“记住”时间１内输入的数??据，从而影响未来时间的输出。由图３－３可知，时间１内的输入影响了时间４和时??间６的输出。??近年来，ＬＳＴＭ在需要远距离记忆处理的研宄领域中取得了极大成功，解决了??其他任何ＲＮＮ架构仍然不可能实现的一些人工问题，己经应用于各种现实而前沿??的领域，如强化学习、语音识别、手写识别等，且取得了非常好的效果［５５］［５６］［５７］［５８］。??在交通态势预测领域

【参考文献】：
期刊论文
[1]基于车联网大数据的交通路况预测研究[J]. 李业伟.  信息通信技术. 2017(06)
[2]基于尖点突变理论的高速公路交通流状态判别方法[J]. 胡建荣,何磊.  中国公路学报. 2017(10)
[3]基于车联网的城市路网实时行程时间预测[J]. 黄叶娜.  公路交通技术. 2017(03)
[4]基于尖点突变的城市快速路交通流拥堵时空演化研究[J]. 许伦辉,王祥雪.  公路. 2016(12)
[5]基于深度学习的短时交通流预测[J]. 罗向龙,焦琴琴,牛力瑶,孙壮文.  计算机应用研究. 2017(01)
[6]深度学习在城市交通流预测中的实践研究[J]. 尹邵龙,赵亚楠.  现代电子技术. 2015(15)
[7]基于价值函数的城市路网交通拥堵态势测定模型（英文）[J]. 胡启洲,邓卫,孙煦.  Journal of Southeast University（English Edition）. 2015(02)
[8]基于深度学习的交通拥堵预测模型研究[J]. 谭娟,王胜春.  计算机应用研究. 2015(10)
[9]国内外交通拥堵评价指标计算方法研究[J]. 郑淑鉴,杨敬锋.  公路与汽运. 2014(01)
[10]基于云模型的城市快速路交通状态评价方法研究[J]. 李悦,陆化普,张永波,蔚欣欣.  公路工程. 2013(03)

博士论文
[1]基于机器学习的交通状态判别与预测方法研究[D]. 商强.吉林大学 2017
[2]城市快速路交通态势评估理论与方法研究[D]. 朱琳.北京交通大学 2013

硕士论文
[1]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[2]基于车联网的道路车辆密度分布及预测技术研究[D]. 杨济瑞.南京邮电大学 2017
[3]基于Spark的改进SA-SVR短时交通预测研究[D]. 刘彩云.东华理工大学 2017
[4]车联网环境下交叉口群速度引导模型及仿真[D]. 吕佳润.北京交通大学 2017
[5]基于深度学习的短时交通流预测[D]. 王晓杰.青岛大学 2017
[6]面向城市路网的短时交通参数预测方法研究[D]. 陈玛瑙.吉林大学 2017
[7]车路协同诱导信息对路网行程时间可靠性影响研究[D]. 朱周元.北京交通大学 2016
[8]基于车路协同的车辆诱导策略对路网交通流的影响研究[D]. 熊若曦.北京交通大学 2016
[9]高速公路运行态势多时间尺度预测方法研究[D]. 魏冉.吉林大学 2015
[10]面向城市交通管理的道路交通状态评估与信息发布[D]. 史岩.北京交通大学 2015



本文编号：3219304