面向短时交通流分析与预测的循环神经网络算法研究

发布时间：2023-06-03 23:11

　　自改革开放以来,中国经济水平增长迅速,且目前仍处于中高速增长水平,在此基础上我国的汽车行业与居民的汽车保有量蓬勃发展,但与此同时居民交通出行压力日益增加,智能交通系统智能化的要求不断提高。短时交通流预测是智能交通系统的一个重要研究方向,准确高效的短时交通流预测,对交通诱导与管理,国民出行具有重要意义。本文针对短时交通流预测研究的主要完成以下工作:(1)针对本文实验的交通流数据集完成数据剪枝,数据清洗与填补,完成建模过程中必要的流量统计,时间序列划分等工作,为后续研究做出重要铺垫。(2)本文研究并实现了基于PageRank算法的交通网络节点拥堵预测方法。利用交通网络结构和网页结构的相似性,计算度量交通网络节点的PageRank值,并发现t-1时刻交通节点的PageRank值和t时刻该节点的交通拥堵指数存在强线性相关性,以此相关性来预测交通拥堵状况,实验验证此预测方法有83.6%的平均准确率。(3)本文研究并构建了基于循环神经网络的短时交通流预测方法,在实验数据集上首先对单一采样点的交通流量在Vanilla LSTM模型上进行预测。同时研究多采样点构建的时空流量矩阵在CNN-LSTM模型上...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 交通网络拥堵预测研究现状
        1.2.2 交通流预测的神经网络算法研究现状
    1.3 本文主要研究内容
    1.4 本文组织结构
2 短时交通流特性与建模
    2.1 短时交通流特征
    2.2 短时交通流量数据
    2.3 短时交通流预测方法
        2.3.1 预测评价指标
        2.3.2 ARIMA预测模型
        2.3.3 灰度GM预测模型
        2.3.4 神经网络预测模型
    2.4 本章小结
3 基于PageRank算法的交通拥堵预测研究
    3.1 PageRank算法基础
    3.2 基于PageRank算法的交通拥堵预测算法
        3.2.1 交通网络与互联网网络相似性
        3.2.2 实验数据预处理
        3.2.3 城市交通网络模型研究
        3.2.4 模型求解与分析
    3.3 实验结果与分析
    3.4 本章小结
4 基于循环神经网络算法的短时交通流预测
    4.1 循环神经网络
        4.1.1 RNN的网络结构
        4.1.2 LSTM长短记忆网络模型
    4.2 基于LSTM模型的短时交通流预测
        4.2.1 实验数据与预处理
        4.2.2 Vanilla LSTM预测模型
        4.2.3 CNN-LSTM预测模型
        4.2.4 LSTM演化的GRU预测模型
    4.3 实验结果及分析
    4.4 本章小结
5 基于Spark的短时交通流数据分析系统实现
    5.1 系统需求分析
    5.2 系统主要功能模块
    5.3 系统实现
    5.4 本章小结
6 总结和展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读学位期间主要研究成果



本文编号：3830218