当前位置:主页 > 科技论文 > 路桥论文 >

基于正交参数优化的DFT-KNN-LSTM短时交通流预测

发布时间:2024-02-23 16:45
  智能交通系统是全世界公认的提高道路安全、缓解交通拥堵、减少交通污染、缩短出行时间、提高路网通行效率的有效途径。实时、准确的短时交通流预测是智能交通系统的关键技术之一,也是交通流预测领域的研究重点,更是进行交通诱导和控制、出行路线规划等的基础,在高速公路路网的交通规划及优化管理中起着极为重要的作用。针对现有预测模型无法在海量交通大数据中提取交通流序列的内部规律,未能考虑交通流序列不同成分对预测性能影响的问题,本文在充分利用交通流序列时空相关性的基础上,提出了一种基于正交参数优化的DFT-KNN-LSTM短时交通流预测模型。首先,采用DFT将交通流数据分解为趋势项分量及残差项分量,去除趋势项分量对预测结果的影响;其次,采用基于距离加权的KNN算法筛选出与待预测目标检测站空间相关性最大的K个检测站,以筛选出的K个检测站的交通流构造时空相关数据集输入LSTM模型中进行短时交通流预测;并通过正交试验对LSTM模型的参数进行优化,以预测误差最小为目标函数确定最优的模型参数组合;最后,通过美国交通研究数据实验室提供的真实交通数据对本文提出的模型进行验证。通过真实的实验验证得出:(1)去除趋势项分量可...

【文章页数】:64 页

【学位级别】:硕士

【文章目录】:
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 交通流量预测国内外研究现状
        1.2.1 交通流量预测概述
        1.2.2 交通流量预测国内外研究现状
    1.3 论文主要研究内容及章节安排
第二章 交通流数据分解方法
    2.1 离散傅里叶变换
    2.2 经验模态分解
    2.3 希尔伯特-黄变换
    2.4 小波变换
    2.5 本章小结
第三章 深度学习基本理论
    3.1 深度学习概述
    3.2 深度学习的常用模型
        3.2.1 限制玻尔兹曼机
        3.2.2 深度信念网络
        3.2.3 循环神经网络
        3.2.4 长短时记忆网络
    3.3 本章小结
第四章 DFT-KNN-LSTM短时交通流预测模型
    4.1 DFT交通流数据分解
    4.2 DFT-KNN-LSTM短时交通流预测模型
        4.2.1 KNN算法理论
        4.2.2 基于DFT-KNN-LSTM的短时交通流预测
    4.3 正交试验设计
        4.3.1 正交试验设计原理
        4.3.2 基于正交试验设计的模型参数优化
    4.4 基于正交参数优化的DFT-KNN-LSTM短时交通流预测流程
    4.5 预测结果的性能评价指标
    4.6 本章小结
第五章 预测结果分析
    5.1 交通数据来源
    5.2 交通流时空特性分析
    5.3 模型参数确定
        5.3.1 DFT交通流数据分解
        5.3.2 基于距离加权的KNN空间相关性筛选
        5.3.3 基于正交试验设计的LSTM模型参数优化
    5.4 预测结果及分析
        5.4.1 参数优化结果分析
        5.4.2 模型对比分析
    5.5 本章小结
总结与展望
参考文献
攻读学位期间取得的研究成果
致谢



本文编号:3907680

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/daoluqiaoliang/3907680.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户e2075***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com