基于深度学习的短时交通流量预测研究

发布时间：2022-02-21 14:15

　　如今,城市中心的交通拥堵状况相当严重,这使得人们的出行变得愈发困难。因此,短时交通流量预测受到了越来越多学者的关注和研究。然而,传统的短时交通流量预测研究大多是对单一路口进行预测,没有考虑路口之间的相关性。为了解决这个问题,本课题提出了一种基于时空相关性的短时交通流量预测方法（A Short-term Traffic Flow Prediction Method based on Spatial-Temporal Correlation,TFPM-STC）,本课题的研究内容如下:（1）运用均值处理法和阈值处理法对原始交通流量数据中的缺失值和异常值进行处理,已达到数据清洗的目的。（2）利用主成分分析（Principal Component Analysis,PCA）来分析路网中每个路口彼此之间的交通流量相关性,选择与被预测路口相关性较大的若干路口进行短时交通流量预测。（3）使用卷积-门控循环单元（Convolution-Gated Recurrent Unit,Conv-GRU）以及双向门控循环单元（Bidirectional Gated Recurrent Unit,Bi-GRU）分别... 

【文章来源】：青岛科技大学山东省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

交通流预测模型分类Fig.1-1Classificationoftrafficflowpredictionmodels

青岛科技大学研究生学位论文131.7TFPM-STC系统方法功能与流程本课题所提出的方法主要包括三个组成部分：数据预处理、路口相关性分析以及短时交通流量预测，如图1-2所示。这三个部分相辅相成，缺一不可，其中数据预处理主要针对地磁传感器采集的缺失值和异常值问题，分别采用均值法和阈值法来进行处理；路口相关性分析主要采用主成分分析对所有路口的交通流量数据进行相互分析，从而找出与被预测路口相关性大的若干路口；短时交通流量预测部分采用卷积‐门控循环单元来提取交通流的时空特征，使用双向门控循环单元提取交通流的周期性特征，最后将三个特征充分融合，以此来预测交通流量数据。图1-2TFPM-STC系统框架Fig.1-2SystemframeworkofTFPM-STC如图1‐3所示，该方法的流程如下：(1)对原始流量数据使用均值法以及阈值法来进行缺失值和异常值的处理；(2)将处理后的原始数据映射到矩阵中并使用主成分分析的方法进行路口相关性分析；(3)将与被预测路口相关性较大的路口的原始交通流量数据映射到矩阵中，并将其输入到卷积门控循环单元和双向门控循环单元以提取交通流量的时空特征和周期性特征。

基于深度学习的短时交通流量预测研究14(4)利用均方误差函数进行误差分析，从而不断的对模型进行调整，最终预测出准确的交通流量数据。图1-3TFPM-STC系统流程Fig.1-3SystemprocessofTFPM-STC

【参考文献】：
期刊论文
[1]我国交通运输的发展现状及趋势研究[J]. 王惠,张震,刘金铎.  国际公关. 2019(12)
[2]基于时空特征挖掘的交通流量预测方法[J]. 孔繁钰,周愉峰,陈纲.  计算机科学. 2019(07)
[3]基于维度加权的残差LSTM短期交通流量预测[J]. 李月龙,唐德华,姜桂圆,肖志涛,耿磊,张芳,吴骏.  计算机工程. 2019(06)
[4]基于路口相关性的交通流量修复研究[J]. 于泉,刘洋,郭骁伟.  深圳大学学报(理工版). 2019(03)
[5]面向交通流量预测的多组件时空图卷积网络[J]. 冯宁,郭晟楠,宋超,朱琪超,万怀宇.  软件学报. 2019(03)
[6]交通流数据特性与预处理方法的研究[J]. 孙红影.  科技创新与应用. 2018(12)
[7]基于TFPCM与随机模型的交通滞留量预测[J]. 李莎,孙丽珺.  计算机工程. 2019(01)
[8]基于时空权重相关性的交通流大数据预测方法[J]. 李欣,罗庆,孟德友.  北京大学学报(自然科学版). 2017(04)
[9]动态交通数据异常值的实时筛选与恢复方法[J]. 徐程,曲昭伟,陶鹏飞,金盛.  哈尔滨工程大学学报. 2016(02)
[10]智能交通系统综述[J]. 赵娜,袁家斌,徐晗.  计算机科学. 2014(11)

硕士论文
[1]基于张量模型的短时交通流量预测技术研究[D]. 程川云.重庆邮电大学 2019
[2]城市关联交叉口交通流预测控制研究与实现[D]. 刘槐仁.广东工业大学 2018
[3]基于时空关系协同作用的交通数据预处理方法研究[D]. 谢羲.长安大学 2015



本文编号：3637425