基于深度学习的短期交通预测算法研究
发布时间：2021-05-11 09:21
交通预测问题是共享车辆的按需出行（mobility on demand,简称MoD）系统中基础问题之一,是保证共享车辆按需出行系统的平稳运行,解决由于交通路网内车辆数量的急剧增加所带来的居民的生活质量问题以及社会的城市化建设问题的前提。近年来,基于深度学习的数据建模算法因其强大的数据表征能力得到广大学者的青睐,其广泛应用为解决交通预测问题提供了新的思路。然而,基于深度学习的算法在交通预测领域仍存在以下局限性:长短期记忆循环神经网络虽然能够充分提取序列数据在时间维度上的依赖关系,但是该方法难以对交通数据内部空间相关性进行建模。此外,卷积神经网络虽然能够充分提取数据空间依赖关系,但是由于其对数据采样固定在几何区域范围内,导致卷积神经网络在对交通数据空间依赖关系建模时特征提取不够充分。为了克服上述局限性,本文针对长短期记忆循环神经网络、卷积神经网络进行扩展,并结合图注意力机制等深度学习技术,解决交通预测问题中的出行需求预测和交通流预测问题。本论文的主要研究内容和研究成果如下:1.提出了以改进的长短期记忆循环神经网络为核心的出行需求预测模型。为了提升对出行需求数据的时空依赖关系的建模能力,该模...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：82 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
1.1.1 研究背景
1.1.2 研究意义
1.2 研究现状
1.2.1 交通流预测
1.2.2 出行需求预测
1.2.3 深度学习
1.3 研究的难点与挑战
1.3.1 空间相关性提取
1.3.2 时间相关性提取
1.4 本文的主要工作
2 短期交通预测基础知识
2.1 概述
2.2 短期交通预测基本理论
2.2.1 基本参数
2.2.2 外部影响因素
2.2.3 特性分析
2.3 短期交通预测的常用方法
2.3.1 基于统计的方法
2.3.2 基于传统机器学习的方法
2.3.3 基于深度学习的方法
2.4 数据预处理
2.4.1 交通网络划分
2.4.2 数据清洗
2.4.3 数据标准化
2.5 本章小结
3 基于CE-LSTM的出行需求预测算法
3.1 概述
3.2 基于CE-LSTM的残差时空预测模型
3.2.1 CE-LSTM模块简介
3.2.2 SCE模块简介
3.2.3 STDA模块简介
3.2.4 残差连接与预测问题重定义
3.3 实验环境设置
3.3.1 数据集描述
3.3.2 评价指标
3.3.3 基线方法
3.4 实验验证与分析
3.4.1 输入数据描述
3.4.2 模型参数设计
3.4.3 预测指标对比分析
3.4.4 实验结果展示
3.5 本章小结
4 基于时间卷积和特征增强模块的出行需求预测算法
4.1 概述
4.2 基于特征增强模块的时间卷积模型
4.2.1 时间卷积模型
4.2.2 特征增强模块
4.2.3 模型结构
4.3 实验环境设置
4.3.1 数据集描述
4.3.2 评价指标
4.3.3 基线方法
4.4 实验验证分析
4.4.1 输入数据描述
4.4.2 数据相关性验证与模型参数设计
4.4.3 预测指标对比分析
4.4.4 实验结果
4.5 本章小结
5 基于时空图注意力机制的交通流预测算法
5.1 概述
5.2 时空图注意力模型
5.2.1 问题描述
5.2.2 图注意力模型
5.2.3 时空图注意力机制
5.2.4 时空图注意力LSTM
5.3 实验环境设置
5.3.1 数据集描述
5.3.2 评价指标
5.3.3 基线方法与其参数设计
5.4 实验验证分析
5.4.1 输入数据描述
5.4.2 模型参数设计
5.4.3 预测指标对比分析
5.4.4 实验结果
5.5 本章小结
6 结论
6.1 研究内容与研究成果
6.2 工作展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果
【参考文献】：
期刊论文
[1]出行预测方法从出行模型到行为模型的变革[J]. 易汉文. 城市交通. 2007(01)
本文编号：3181162
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：82 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
1.1.1 研究背景
1.1.2 研究意义
1.2 研究现状
1.2.1 交通流预测
1.2.2 出行需求预测
1.2.3 深度学习
1.3 研究的难点与挑战
1.3.1 空间相关性提取
1.3.2 时间相关性提取
1.4 本文的主要工作
2 短期交通预测基础知识
2.1 概述
2.2 短期交通预测基本理论
2.2.1 基本参数
2.2.2 外部影响因素
2.2.3 特性分析
2.3 短期交通预测的常用方法
2.3.1 基于统计的方法
2.3.2 基于传统机器学习的方法
2.3.3 基于深度学习的方法
2.4 数据预处理
2.4.1 交通网络划分
2.4.2 数据清洗
2.4.3 数据标准化
2.5 本章小结
3 基于CE-LSTM的出行需求预测算法
3.1 概述
3.2 基于CE-LSTM的残差时空预测模型
3.2.1 CE-LSTM模块简介
3.2.2 SCE模块简介
3.2.3 STDA模块简介
3.2.4 残差连接与预测问题重定义
3.3 实验环境设置
3.3.1 数据集描述
3.3.2 评价指标
3.3.3 基线方法
3.4 实验验证与分析
3.4.1 输入数据描述
3.4.2 模型参数设计
3.4.3 预测指标对比分析
3.4.4 实验结果展示
3.5 本章小结
4 基于时间卷积和特征增强模块的出行需求预测算法
4.1 概述
4.2 基于特征增强模块的时间卷积模型
4.2.1 时间卷积模型
4.2.2 特征增强模块
4.2.3 模型结构
4.3 实验环境设置
4.3.1 数据集描述
4.3.2 评价指标
4.3.3 基线方法
4.4 实验验证分析
4.4.1 输入数据描述
4.4.2 数据相关性验证与模型参数设计
4.4.3 预测指标对比分析
4.4.4 实验结果
4.5 本章小结
5 基于时空图注意力机制的交通流预测算法
5.1 概述
5.2 时空图注意力模型
5.2.1 问题描述
5.2.2 图注意力模型
5.2.3 时空图注意力机制
5.2.4 时空图注意力LSTM
5.3 实验环境设置
5.3.1 数据集描述
5.3.2 评价指标
5.3.3 基线方法与其参数设计
5.4 实验验证分析
5.4.1 输入数据描述
5.4.2 模型参数设计
5.4.3 预测指标对比分析
5.4.4 实验结果
5.5 本章小结
6 结论
6.1 研究内容与研究成果
6.2 工作展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果
【参考文献】：
期刊论文
[1]出行预测方法从出行模型到行为模型的变革[J]. 易汉文. 城市交通. 2007(01)
本文编号：3181162
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3181162.html
