【摘要】：近年來,隨著交通系統(tǒng)日漸龐大與復(fù)雜,交通壓力激增、交通事故頻發(fā)、交通環(huán)境日益惡化。智能交通系統(tǒng)(ITS,Intelligent Transport System)融合多種新興技術(shù),提高道路安全與出行效率,改善交通環(huán)境。其中,交通控制和交通誘導(dǎo)尤為重要,而實(shí)時(shí)準(zhǔn)確的交通流預(yù)測(cè)能為交通控制提供有效幫助,是實(shí)現(xiàn)交通誘導(dǎo)的基礎(chǔ)。交通流預(yù)測(cè)就是根據(jù)大量道路歷史數(shù)據(jù)來預(yù)測(cè)未來時(shí)刻的交通狀況,一般對(duì)未來幾秒到幾小時(shí)的預(yù)測(cè)便稱為短時(shí)交通流預(yù)測(cè)。本文首先研究在單個(gè)檢測(cè)器上的短時(shí)交通流預(yù)測(cè),進(jìn)而考慮多種不同因素對(duì)交通流的影響,以提高模型的預(yù)測(cè)效果。在單檢測(cè)器短時(shí)交通流預(yù)測(cè)方面,本文提出了結(jié)合注意力機(jī)制的循環(huán)門控單元網(wǎng)絡(luò)(AGRU,Attention Gate Recurrent Unit Networks)與擴(kuò)張-因果卷積神經(jīng)網(wǎng)絡(luò)(DCFCN,Dilated-Causal Fully Convolutional Networks)。交通流本質(zhì)上是一種時(shí)序數(shù)據(jù),而GRU廣泛應(yīng)用于序列處理任務(wù)。本文在GRU的基礎(chǔ)上增加了注意力(Attention)機(jī)制,以更好地捕捉不同時(shí)刻交通流對(duì)預(yù)測(cè)結(jié)果的影響。實(shí)驗(yàn)表明,加入Attention能提高模型的預(yù)測(cè)效果。此外,交通流可以看成時(shí)間軸上的一維圖像,進(jìn)而使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。為了解決卷積神經(jīng)網(wǎng)絡(luò)在序列處理任務(wù)上的不足,DCFCN在CNN的基礎(chǔ)上引入擴(kuò)張卷積來增加感受野大小,獲取序列的長(zhǎng)時(shí)記憶。同時(shí),利用因果卷積解決信息泄露問題。實(shí)驗(yàn)表明,本文提出的DCFCN模型在單檢測(cè)器短時(shí)交通流預(yù)測(cè)任務(wù)上優(yōu)于其他對(duì)比模型�？紤]到交通狀態(tài)極易受到天氣、上下游交通等多種因素影響,以往的研究大多基于交通流歷史數(shù)據(jù)本身,而忽略了其他影響因素。針對(duì)這一問題,本文將多檢測(cè)器拓?fù)浣Y(jié)構(gòu)提取為交通流的空間特征,并進(jìn)一步添加天氣、時(shí)間、周期等多種影響因素,提出一種融合多因素的短時(shí)交通流預(yù)測(cè)模型(MFNN,Multi-Factor Neural Networks)。MFNN使用兩個(gè)全連接神經(jīng)網(wǎng)絡(luò)分別提取天氣特征與時(shí)間特征,多層卷積神經(jīng)網(wǎng)絡(luò)提取空間特征,GRU或者DCFCN提取交通流的時(shí)序特征以及周期特征。實(shí)驗(yàn)表明,本文提出的MFNN模型能有效利用多種特征來提高模型預(yù)測(cè)效果,且預(yù)測(cè)效果優(yōu)于其他對(duì)比模型。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U491.1
【圖文】：

車輛通過檢測(cè)器檢測(cè)區(qū)域的時(shí)間大幅增加，導(dǎo)致時(shí)間占三個(gè)基本參數(shù)可以用公式(2-3)表示：Q S D流量，單位 veh/h；S 表示平均行程速度，單位 km/h； D 表度、密度之間的關(guān)系如圖 2-3 所示。圖中可以看出，存在流量為零。一種是道路上沒有車輛，速度、密度、流量均，但是速度為零，流量也為零。此時(shí)道路完成擁塞，所有阻塞密度（Jam Density），用jD 表示。在這兩個(gè)零值點(diǎn)之上車輛逐漸增多，密度增大。同時(shí)，由于車輛之間的相互密度和速度的乘積達(dá)到最大，即流量最大時(shí)，此時(shí)的速度eed），用oS 表示，密度稱為最佳密度（Optimum Density）

圖 3-1 LSTM 示意圖當(dāng)前時(shí)刻的輸入值tx 、上一時(shí)刻 LSTM了 LSTM 在t時(shí)刻的輸入。 時(shí)刻的輸態(tài)tc 。單元狀態(tài)就像傳送帶，它會(huì)沿著互。與 LSTM 相似，GRU 的提出也是為 LSTM 相似，但只使用了兩個(gè)“門（控單元，參數(shù)量少了三分之一，使得計(jì)rtzt×resetupdate×1-zt+×

圖 5-1 PeMS 系統(tǒng) Web 界面目前，已經(jīng)有大量研究人員在 PeMS 上進(jìn)行交通領(lǐng)域的相關(guān)研究。Huang 等(20 PeMS 上多個(gè)檢測(cè)器交通流數(shù)據(jù)研究基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)方法；O16)[66]在 PeMS 系統(tǒng)上選取 SR-78E 高速路的 16 個(gè)檢測(cè)器進(jìn)行交通狀態(tài)預(yù)測(cè)研ez 等(2016)[67]使用 I5 高速路研究交通擁堵；Moylan 等(2017)[68]使用舊金山灣區(qū)測(cè)器研究擁塞狀態(tài)、交通需求、道路狀況以及天氣情況對(duì)旅行時(shí)間（Travel T響。Wu 等(2018)[23]數(shù)據(jù)來源是 PeMS 系統(tǒng)上的 I-405N 高速路，提出了 DNN，獲得了當(dāng)時(shí)最好的預(yù)測(cè)效果。為了更好地進(jìn)行對(duì)比研究，本文的數(shù)據(jù)選取以分與 Wu 等(2018)[23]保持一致。PeMS 檢測(cè)器每隔 30s 采集一次交通流數(shù)據(jù)，并以不同時(shí)間長(zhǎng)度進(jìn)行聚集來為供服務(wù)。原始數(shù)據(jù)格式如表 5-2 所示。表 5-2 交通流數(shù)據(jù)樣例（5 分鐘）5 Minutes Lane 1 Lane 2 Lane 3 Lane 4 Flow % Observed

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 王笑京;沈鴻飛;汪林;;中國智能交通系統(tǒng)發(fā)展戰(zhàn)略研究[J];交通運(yùn)輸系統(tǒng)工程與信息;2006年04期

相關(guān)碩士學(xué)位論文 前1條

1 劉思妍;城市道路交通流預(yù)測(cè)方法的研究[D];上海交通大學(xué);2015年

本文編號(hào)：2762892