近年来,随着社会经济和交通运输发展的不断进步,人们的生活质量逐渐提高。与此同时,由于私人车辆,出行次数和行程长度的增加,导致大多数城市频繁出现了严重交通拥堵的现象,这不仅延长了人们的通行时间,公路上走走停停的机动车也会加大对燃油的消耗,进而导致环境的污染和破坏。针对这样的问题,拥有一套先进并可进行自我学习升级的智能交通系统,可以对城市交通的改造发挥重要的作用,比如对交通流量的预测,可以间接的对车流量进行诱导控制,从而保障了重点交通枢纽的安全。其中,短时交通流量预测结果的实时性、快速性和准确性,能够对系统的性能起到关键的评判依据。因此,针对短期交通流量的分析与预测研究具有重要的意义。由于交通流量数据本身就很复杂,其次具备时变和非线性的特点,导致一般的以传统的,或是只学习单一的特征的模型,在时间特征提取方面不够充分,很难进行准确的预测,针对于此,本文提出了两个基于深度学习的预测模型对短时交通流量进行建模分析与总结。(1)将离散小波分解原理应用在神经网络结构中,提出了一种基于深度学习的动态小波变换网络预测模型(以下简称DWNN),用于构建频率感知的深度学习模型以进行交通流量数据分析。DWNN模型相比较传统的堆叠融合模型以及单一的深度学习模型,既保留了频率学习中多级离散小波分解的优势,同时可以在深度神经网络框架下对小波基矩阵系数连同其他所有神经网络参数进行微调。经过训练的预测模型可以预测实际的交通流量信息,并最终获得更加准确的交通流量信息。在实验研究中,先对真实数据集进行缺失值修补,降噪以及归一化等预处理,以提高预测的准确性。通过比较本文提出几种模型预测评判指标,验证了本文提出的模型的准确性和有效性。实验结果表明,此预测算法模型简单高效,在一定程度上能有更好的预测精度。与使用单个特征的模型进行交通流量预测的结果相比,本文提出的使用多个特征学习的交通流量预测方法的准确性有了很大的提高。(2)使用DWNN模型进行短期交通流量的迭代训练和预测可以具有较高的准确性,但通过实验发现,随着预测步长的增大,预测精度会开始缓慢下降。为了进一步优化DWNN模型的预测能力,提出了一种基于注意力机制的动态小波变换网络预测模型。通过结合动态小波神经网络模块和双向长短期记忆模型(Bi LSTM)编解码器,利用注意力机制的加权和存储上下文信息的操作反复训练模型,对输出结果和输入序列之间具有高度相关性的序列分配较高的权重,接着利用输出流序列提取相关有用的信息,对未来交通流量数据进行预测。最后根据本文提出的评价指标,对模型进行评估。结果表明,该优化模型可以在保持精确度和鲁棒性的同时增加预测的步长。综上所述,面对短期交通流量预测问题,本文提出的两种模型分别解决了传统或单一特征预测模型在复杂数据处理上的缺陷以及模型预测步长对预测结果的影响两个问题,并结合实验结果验证了两个所提方案的有效性和鲁棒性。
基本信息
| 题目 | 基于深度学习的短时交通流量分析与预测方法研究 |
| 文献类型 | 硕士论文 |
| 作者 | 王习昇 |
| 作者单位 | 浙江科技学院 |
| 导师 | 杨春亭 |
| 文献来源 | 浙江科技学院 |
| 发表年份 | 2021 |
| 学科分类 | 工程科技Ⅱ辑 |
| 专业分类 | 公路与水路运输 |
| 分类号 | U491.14 |
| 关键词 | 短时交通流量预测,神经网络,动态小波变换网络,注意力机制,模型 |
| 总页数： | 68 |
| 文件大小： | 2790K |
论文目录
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统数学方法的传统模型 |
| 1.2.2 基于非线性理论的方法 |
| 1.2.3 基于深度学习的方法 |
| 1.3 论文主要研究内容和章节安排 |
| 1.4 研究创新点 |
| 第2章 交通流量预测的相关理论基础 |
| 2.1 交通流量的基本概念 |
| 2.1.1 交通流量数据的采集 |
| 2.1.2 交通流量数据的预处理 |
| 2.1.3 交通流量预测问题的数学描述 |
| 2.1.4 交通流量预测模型的评价指标 |
| 2.2 循环神经网络（RNN） |
| 2.3 LSTM网络介绍 |
| 2.3.1 长期依赖问题 |
| 2.3.2 LSTM网络结构 |
| 2.4 本章小结 |
| 第3章 基于动态小波变换网络的预测模型 |
| 3.1 问题定义 |
| 3.2 小波分析理论及其数学表示 |
| 3.2.1 小波变换矩阵原理 |
| 3.2.2 小波变换多层分解矩阵表示 |
| 3.3 基于动态小波变换网络模型结构 |
| 3.3.1 LSTM网络 |
| 3.3.2 基于动态小波变换网络模型 |
| 3.4 基于动态小波变换网络模型的测试与分析 |
| 3.4.1 实验过程 |
| 3.4.2 模型参数分析与确定 |
| 3.4.3 模型测试结果分析 |
| 3.5 本章小结 |
| 第4章 基于注意力机制的动态小波变换网络预测模型 |
| 4.1 基于注意力机制的动态小波网络模型结构 |
| 4.1.1 Bi LSTM网络 |
| 4.1.2 Seq2seq模型 |
| 4.1.3 注意力机制 |
| 4.1.4 基于注意力机制的动态小波变换网络模型 |
| 4.2 基于注意力机制的动态小波网络模型的测试与分析 |
| 4.2.1 实验过程 |
| 4.2.2 模型参数分析与确定 |
| 4.2.3 模型测试结果分析 |
| 4.3 本章小结 |
| 第5章 实验数据分析 |
| 5.1 实验数据来源 |
| 5.2 数据时间相关性分析 |
| 5.3 数据填补 |
| 5.4 数据标准化处理 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目和成果 |
参考文献
| [1] 一种优化的短时交通流量预测算法[J]. 高师理科学刊 2020(11) |
| [2] 基于时空相关性的短时交通流量预测方法[J]. 计算机工程 2020(01) |
| [3] 基于移动平均法预测短时交通流参数的步长选定[J]. 中国水运(下半月) 2017(04) |
| [4] 短时交通流量预测方法[J]. 山东交通学院学报 2017(03) |
| [5] 小波消噪的神经网络短时交通流量预测模型[J]. 计算机仿真 2012(09) |
| [6] 城市道路短时交通流预测方法研究[J]. 河南科技 2018(26) |
| [7] 基于相关向量机的短时交通流量平滑处理方法[J]. 西北大学学报(自然科学版) 2017(01) |
| [8] 城市道路短时交通流预测方法研究[J]. 公路 2017(06) |
| [9] 带近邻距离权重和聚集度的贝叶斯短时交通流预测算法[J]. 嘉应学院学报 2019(06) |
| [10] 一种组合核相关向量机的短时交通流局域预测方法[J]. 哈尔滨工业大学学报 2017(03) |
| [11] 基于时间卷积神经网络的短时交通流预测算法[J]. 华南理工大学学报(自然科学版) 2020(11) |
| [12] 基于大数据的交通信号实时优化研究[J]. 工程建设与设计 2017(05) |
| [13] 短时交通流预测方法研究进展[J]. 交通运输工程与信息学报 2009(04) |
| [14] 考虑公交车流运行速度的城市短时交通流预测方法研究[J]. 公路与汽运 2016(02) |
| [15] 路口短时交通流量预测方法[J]. 科技资讯 2009(13) |
| [16] 随机森林在短时交通流中的应用[J]. 计算机与数字工程 2020(07) |
| [17] 基于混沌理论的短时交通流局域预测模型[J]. 黑龙江工程学院学报(自然科学版) 2011(02) |
| [18] 高速公路短时交通流量组合预测[J]. 江苏科技信息 2013(04) |
| [19] 基于少数据云推理的短时交通流预测模型[J]. 交通运输系统工程与信息 2015(03) |
| [20] 基于组合模型的短时交通流量预测算法[J]. 电子与信息学报 2016(05) |
| [21] 基于蚁群优化支持向量机的短时交通流量预测[J]. 计算机应用与软件 2013(03) |
| [22] 耦合AF-SVR的短时交通流量预测模型[J]. 数学的实践与认识 2017(20) |
| [23] 基于数据约减和支持向量机的非参数回归短时交通流预测算法[J]. 公路交通科技 2020(07) |
| [24] ICWLS-SVM在城市道路短时交通流量预测建模中的应用[J]. 兰州工业学院学报 2018(01) |
| [25] 短时交通流混沌预测方法的比较[J]. 系统工程 2009(09) |
| [26] 短时交通流智能混合预测技术[J]. 浙江大学学报(工学版) 2010(08) |
| [27] BNs-OLS-SARIMA对城市短时交通流的预测[J]. 计算机应用研究 2010(10) |
| [28] 基于EVIEWS的短时交通流分析及预测[J]. 黑龙江科技信息 2009(26) |
| [29] 短时交通流复杂动力学特性分析及预测[J]. 物理学报 2014(04) |
| [30] 基于HALRTC理论的短时交通流预测算法[J]. 山东科学 2019(06) |
相似文献
| [1]基于深度学习的短时交通流量预测技术研究[D]. 侯佳雨.沈阳理工大学2020 |
| [2]基于神经网络的短时交通流量预测研究[D]. 吴凯.南京邮电大学2013 |
| [3]基于小波分析和遗传神经网络的短时城市交通流量预测研究[D]. 李波.北京交通大学2012 |
| [4]基于数据挖掘的西安市城市道路短时交通流量预测方法研究[D]. 谢非.长安大学2019 |
| [5]基于深度学习的短时交通流量预测技术研究[D]. 彭文勤.重庆邮电大学2020 |
| [6]短时交通流量预测研究[D]. 兰云.西北工业大学2002 |
| [7]基于机器学习的短时交通流预测方法研究[D]. 王苗苗.长安大学2017 |
| [8]基于深度学习的短时交通流量预测研究[D]. 闫杨.青岛科技大学2020 |
| [9]基于非参数回归的短时交通流量预测[D]. 范鲁明.天津大学2007 |
| [10]基于相似性度量的高速公路短时交通流聚类与预测研究[D]. 王致远.北京交通大学2019 |
