基于时空关联混合模型的交通流预测方法研究

发布时间：2023-04-26 21:07

　　交通流预测是交通建模和交通管理中的一个基本问题。近几年,虽然深度学习的方法已经应用到交通流预测领域,但是由于受交通数据本身所具有的特性,比如,空间依赖性,时间依赖性以及外部因素的影响,准确的预测交通流量具有很大困难。本文主要研究的是交通流量的预测,主要是将一个城市划分成不同的网格,每个网格代表一个预测区域,然后通过这种网格的划分来预测整个城市的交通流量。针对交通流数据所具有的时空关系特性,本文提出了一个新的基于深度学习的混合模型预测方法,用融合注意力(Attention)机制的卷积神经网络(CNN)和LSTM网络来进行交通流量的预测,并用实验对本文的实验结果进行验证。本文的主要研究工作如下:(1)通过将一个城市的地图按照经纬度划分成网格的形式,成功的将城市交通流量的预测转化成图像处理领域的问题,进而可以用深度学习的框架来处理相关问题。深度学习在图像处理领域的广泛应用使得其能更好的对交通数据中所具有的相关特征进行提取。(2)针对交通数据具有的时空关系,本文提出了一个新的基于卷积神经网络和循环神经网络的一个变体LSTM深度学习的框架,同时,在框架中加入Attention机制,以及自回归模型...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要研究工作
    1.4 章节安排
2 相关工作
    2.1 交通流特性分析
        2.1.1 基本特性
        2.1.2 交通流预测模型要求
    2.2 卷积神经网络
        2.2.1 CNN卷积神经网络的发展
        2.2.2 卷积神经网络的网络结构
        2.2.3 卷积神经网络的应用
    2.3 LSTM神经网络
        2.3.1 RNN循环神经网络
        2.3.2 LSTM网络
    2.4 本章小结
3 预测模型的整体框架
    3.1 问题的定义
    3.2 基于CNN和LSTM的交通流预测模型
        3.2.1 空间关系的获取
        3.2.2 时间关系的获取
        3.2.3 外部因素
    3.3 融合ATTENTION机制和自回归模型的预测模型
        3.3.1 Attention机制
        3.3.2 自回归模型
    3.4 预测模型的结构优化
        3.4.1 Dropout原理
        3.4.2 Batch Normalization算法
    3.5 本章小结
4 实验结果与分析
    4.1 实验环境
    4.2 数据处理
    4.3 预测结果对比分析
    4.4 模型参数的选择
    4.5 本章小结
结论
参考文献
致谢



本文编号：3802189