基于出租车GPS数据的城市交通流短时预测模型研究
发布时间:2024-09-17 15:33
城市交通流量短时预测是智慧交通发展中的重要一步。本文基于北京市出租车GPS轨迹数据,对城市交通流进行了时空特性分析,利用深度神经网络建立了两种短时交通流时空预测模型,主要研究内容包括:(1)城市交通流时空特性分析。时间层面,按分钟和日粒度进行交通流量统计和Pearson相关系数分析。发现城市交通流在时间上具有临近性、周期性和趋势变动性,且工作日和非工作日具有显著的差异。每天的交通流量变化从细节上看,高平峰时段不完全固定,且幅值也不同。空间层面,从微观上,对道路的交通流量进行了空间自相关分析,发现随着道路间行驶距离的增加,道路交通流量的空间自相关性也随之减弱。宏观上,利用OD数据和POI数据进行核密度分析,发现不同的时段下交通流的演化规律。(2)短时交通流预测模型两种思路阐述。从是否考虑城市路网拓扑结构的角度出发,结合城市交通流时空特性设计了两种预测模型。基于网格划分的城市区域短时交通流量时空预测模型从交流流量统计和道路空间关系处理的简单性出发,不考虑城市路网的拓扑结构。受城市网格管理的启发,将研究区域切分成多个规则网格并提出了一种基于注意力机制的CNN-LSTM时空预测模型。模型由空间组...
【文章页数】:82 页
【学位级别】:硕士
【部分图文】:
本文编号:4005660
【文章页数】:82 页
【学位级别】:硕士
【部分图文】:
图1-1技术路线图
第1章绪论8图1-1技术路线图Fig1-1Technologyroadmap1.3.2论文组织结构本文共分为五章,具体章节安排如下:第一章,绪论。介绍了本文研究背景与意义,然后分析了交通流预测的国内外研究现状,包括整体的发展历程、各个发展时期的代表性研究。再次,对本文所涉及深度学....
图2-5RNN与LSTM对比
第2章相关技术理论14(a)前馈神经网络(b)循环神经网络图2-4前馈神经网络与循环神经网络对比Fig2-4Comparisonbetweenfeedforwardneuralnetworkandcyclicneuralnetwork如图2-4(b)所示,一个单层RNN结构的隐层....
图2-6GRU内部结构
中国石油大学(华东)工程硕士学位论文15=([1,]+)(2-13)=tanh([1,]+)(2-14)(3)然后,对细胞状态进行更新,形成新的记忆信息。通过上一时间步的状态1与遗忘门相乘,遗忘先前决定遗忘的信息,输入门乘以候选状态向量,保留想要的信息,两者相加,得到新的细胞状态....
图3-1北京市GPS轨迹数据说明Fig3-1DescriptionofBeijingGPStrackdata
中国石油大学(华东)工程硕士学位论文17第三章城市交通流时空特性分析城市交通是一个随时间变化的复杂系统,交通流是车辆在道路中行驶随时间推移形成的车流。城市交通流是一种典型的时空数据,从时间上看,城市交通状态随时间变化呈现出一定的相关性和时变性;从空间上看,因城市交通流自由度较大,....
本文编号:4005660
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/4005660.html
上一篇:结合时空数据特征的推荐算法研究
下一篇:没有了
下一篇:没有了