面向公交到达时间应用的循环神经网络预测算法系统实现

发布时间：2021-03-04 00:29

　　在城市的交通系统中,公交网络系统是非常重要的一部分,而在构建智能公交系统的过程中,提高公交网络资源利用率以及准确预测公共交通车辆到达时间极为关键。准确预测公交车到达时间是公共交通领域的难题。传统的预测方法主要利用到达时间和站间距离,而没有充分利用乘客数量、停留时间、公交行驶效率等动态因素,而这对公交到站时间有显着影响。与此同时,近年来人工智能新硬件与公共交通结合是提升城市交通智能化的新兴发展趋势,但是如何对算法进行性能优化、如何通过集成度高的平台（如FPGA、嵌入式等）进行算法实现也是需要讨论及解决的问题。为了克服传统方法的缺点,本文提出了公交行驶效率的评定方法与一种基于具有双阶段注意机制的循环神经网络（RNN）的新型公交车到达时间预测方法。首先,本文通过对共公共交通行驶车辆到达时间预测的模型及算法的深入研究,发现DA-RNN（基于双阶段注意力的递归神经网络）的性能优于其他经典的预测模型。我们选择引入注意机制以从异构信息中自适应地选择最相关的因素,并建立了一个基于DA-RNN（基于双阶段注意的递归神经网络）的预测网络。其次,本文发现在公交到达时间预测模型中输入动态因素可以提高公交车到站... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图２－１预测模型类型图??２．１．２平均速度??另外一类历史数据模型使用公共交通车辆运行在目标线路上的平均速度来??

?山东大学硕士学位论文???效地提供令人满意的公交车到达时间预测信息。??隐藏层??输入层??图２－２神经元网络??２．３．３多层感知器（ＭＬＰ）??多层感知器（ＭＬＰ）【４２］是由完全连接的层组成的简单神经网络，结构为前向??结构，可以将一组的输入向量作为信息映射到一组输出向量上。ＭＬＰ神经网络??的层数为三层，在每一层中都含有１６个神经元。??也可以将多层感知器（ＭＬＰ）当作为一个有向图，该模型由一个一个的节点??层相互连接构成，其中每一个节点层都全连接到下一个节点层。层中的每个节点??也可以称为处理单元，这些单元都是含有非线性激活函数的神经元。??２．３．４?ＲＮＮ??基本的循环神经网络（ＲＮＮ）是由人工神经元组织成的连续的层的网络。给??定层中的每个节点都通过有向（单向）连接与下一个连续层中的每个其他节点进??行连接。每个节点（神经元）都有一个时变的实值激活。每个连接（突触）都有一个??可修改的实值权重。节点要么是输入节点（从网络外部接收数据），要么是输出节??１８??

那些没有分割成子序列的连续输入流。在那之??后，相关学者对结构进行了改进，将遗忘门也添加到了内存块中［４５］，之前模型中??的问题也就不存在了。遗忘门存在的作用是，它可以在细胞之前添加一个输入，??而这个输入就是遗忘门自身，这个操作通过细胞的自回归连接完成，同时使得细??胞的内部状态进行了缩放，同这些操作自适应地进行遗忘或重置细胞的记忆。除??此之外，目前现阶段ＬＳＴＭ的结构也可以学习了解到输出结果的精确计时，这是??由于结构中包含着从内部的单元到同一单元中的门的窥视孔连接［４呔如下图２－３??为简单的ＬＳＴＭ结构。??／?Ｖ??ｃｔ－ｌ?ＨＸ）?＾０??？Ｃｆ??ｘ?．?ｔ?＼??＼?＇???（ｔａｎｈ）??ｆｔ?ｉｔ?ｙ?ｏｔ—＾??Ｑｔ??Ｉ??Ｃ?ｇ?）?Ｃ?ｇ?）?（ｔａｎｈ）?（?〇?）??ｔ?ｋ?“?ｔ?ｋ?＞?ｋ??ｈｔ－ｉ?—????，ｈｔ??ｖ????－Ｊ??Ｘｔ－１??图２－３简单的ＬＳＴＭ结构??２．４方法选择??相较于以上所述其他方法，＿方法具有比较高的预测结果时间精度。主要??原因是ＲＮＮ具有捕获长期依赖关系的能力。在此基础上，我们进一步探索了?＿??２０??


本文编号：3062229