基于机器学习的高速公路路网交通量预测研究

发布时间：2024-03-30 17:11

　　自1988年10月新中国第一条高速公路沪嘉高速公路建成通车至今,我国高速公路通车总里程已突破13万公里(总里程位居世界第一),覆盖了约98%城镇人口20万以上的城市,成为了名副其实的交通大国。习近平同志在党的十九大报告中,更是明确做出了要建设交通强国的重大战略部署,确保交通运输在我国全面建成小康社会进程中继续发挥好基础性和先导性的支撑作用。交通强国建设离不开对交通要素实现更为精准的信息化和智慧化管理,因此,近年来快速兴起并已得到广泛应用的机器学习和大数据挖掘等新兴技术,势必将在我国的交通强国建设过程中扮演越来越重要的角色。由于交通量分配和预测结果的精准性,不仅关乎交通管理部门制定管理政策和实施管理措施的科学性,同时也对出行者的出行方式选择产生越发显著的影响。因此,交通量的分配和预测方法一直都是高速公路研究领域的重点和热点问题之一。然而,纵观国内外学者的已有研究成果可以获知,目前,传统预测模型以及单一化神经网络预测模型存在预测精度较低、仅能分析时序性交通量特征的弊端,给实际应用带来很大局限。为此,本文在充分借鉴前人研究成果的基础上,提出了一套相对比较完整的高速公路路网交通量的预测方法。该...

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图2.1路网交通量分布图

图2.1路网交通量分布图建模原则原则目的在于交通管控和交通诱导，所以要求预测具有型处理数据的能力做了要求，交通量预测模型应具的特点。实时性的交通量预测结果能够更加精确交决管理的滞后性，达到交通预警的作用。原则交通流是一个连续的整体状态，即当前交通流是过交通流的延续。持续性必须....

图3.3卷积过程

图3.3卷积过程池化层poll）即下采样，是卷积神经网络的另一种降低参数数目方法，其目，减少参数，减小过拟合。池化层的操作需要规定好池化类型、池化化操作的步长等超参数即可。一般使用的池化操作为均值池化（Mean（MaxPooling），最大池化即在区域中选择最大值作为池化....

图3.4最大池化和平均池化示意图

图3.3卷积过程池化层（poll）即下采样，是卷积神经网络的另一种降低参数数目方法，其目征，减少参数，减小过拟合。池化层的操作需要规定好池化类型、池化池化操作的步长等超参数即可。一般使用的池化操作为均值池化（Mean化（MaxPooling），最大池化即在区域中选择最大....

图3.5DCNN模型中节点、图和边的分类

图3.5DCNN模型中节点、图和边的分类（2）节点分类图中每个输入节点的预测标签为Y，设是包含幂级数的××的张量，图t中节点i,hopj和特征k的扩散-卷积激励值为,公式如下：....

本文编号：3942676