【摘要】：隨著交通行業(yè)的不斷發(fā)展,越來越多的人開始關(guān)注交通所帶來的問題,交通問題不僅影響到出行效率和安全,同時(shí)也嚴(yán)重制約了社會(huì)的發(fā)展�；诮煌〝�(shù)據(jù)的不斷增長,人們迫切的希望找到有效的方法來挖掘交通大數(shù)據(jù)中的隱含信息解決一些交通難題,智能交通系統(tǒng)的發(fā)展為我們提供了有效的方向。短時(shí)交通流預(yù)測(cè)作為智能交通領(lǐng)域的一個(gè)研究熱點(diǎn),是實(shí)現(xiàn)智能交通控制和交通疏導(dǎo)的關(guān)鍵技術(shù)之一。本文結(jié)合交通數(shù)據(jù)的多維特性和非線性特性,構(gòu)建動(dòng)態(tài)張量模型,研究了不同維度影響下的短時(shí)交通流變化規(guī)律;同時(shí),針對(duì)交通數(shù)據(jù)中存在的數(shù)據(jù)缺失問題給短時(shí)交通流預(yù)測(cè)帶來的不利影響,結(jié)合張量分解的低秩特性研究交通數(shù)據(jù)的恢復(fù)策略,進(jìn)一步深化對(duì)短時(shí)交通流預(yù)測(cè)的研究分析。本論文的主要研究工作和貢獻(xiàn)如下:1.針對(duì)交通流預(yù)測(cè)數(shù)據(jù)具有的多維特征和非線性特性,本文引入張量模型對(duì)交通流數(shù)據(jù)進(jìn)行分析,提出一種短時(shí)交通流預(yù)測(cè)方法。首先,采用層次聚類算法對(duì)相似交通流進(jìn)行聚類,并從中提取內(nèi)部相關(guān)性較強(qiáng)的路口進(jìn)行預(yù)測(cè)。其次,結(jié)合時(shí)間維度上的多級(jí)別性(X為其可變參數(shù)),構(gòu)建基于“路口-X-時(shí)段”張量分解的短時(shí)交通流預(yù)測(cè)模型。針對(duì)交通流的動(dòng)態(tài)特性和不確定性,引入滑動(dòng)窗口的思想并提出一種動(dòng)態(tài)張量短時(shí)交通流預(yù)測(cè)模型,既能把交通數(shù)據(jù)的動(dòng)態(tài)結(jié)構(gòu)和多維特性很好結(jié)合,又緩解了一定數(shù)據(jù)稀疏情況下的預(yù)測(cè)不準(zhǔn)難題。2.交通數(shù)據(jù)的丟失問題給短時(shí)交通流的預(yù)測(cè)和深層次挖掘帶來較大的負(fù)面影響,本文針對(duì)數(shù)據(jù)缺失問題,在構(gòu)建交通數(shù)據(jù)張量模型的基礎(chǔ)上,引入交替方向乘子法,把張量恢復(fù)問題轉(zhuǎn)化為低秩恢復(fù)模型,來估計(jì)丟失數(shù)據(jù)。該模型有效保持了交通數(shù)據(jù)的多模式時(shí)空相關(guān)性特征,有利于張量按各個(gè)模式展開和充分挖掘交通數(shù)據(jù)的多模式信息,實(shí)現(xiàn)部分缺失數(shù)據(jù)的恢復(fù),促進(jìn)對(duì)短時(shí)交通流預(yù)測(cè)技術(shù)的研究。最后,利用真實(shí)交通數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證。結(jié)果表明,融合交通流相似性度量和張量模型的算法,能夠提高預(yù)測(cè)性能以及改善一定數(shù)據(jù)稀疏情況下的預(yù)測(cè)精度不準(zhǔn)問題。同時(shí),利用張量重建恢復(fù)交通數(shù)據(jù)的方法,在一定條件下算法取得了良好的效果,經(jīng)恢復(fù)后的交通數(shù)據(jù)在短時(shí)交通流預(yù)測(cè)中也得到了更好的表現(xiàn)。
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：O183.2;TP311.13;U491.1
【圖文】：

1 2 1 2( ) ( ; ; ; ; ) ( )N Nvec A vec G U U U U U U vec G(4.4向量化后的張量服從多變量高斯分布， 為觀測(cè)到的數(shù)據(jù)集合，則可最大化概率模張量填充問題�；诜纸夂透怕誓Ｐ偷姆椒ㄔ谝欢ㄇ闆r下有較好的表現(xiàn)，但是這些方法的使用依較強(qiáng)的先驗(yàn)假設(shè)，因此在一定程度上限制了它們的適用性。2 模型整體框架本章針對(duì)缺失交通數(shù)據(jù)，從數(shù)據(jù)特性、特征分析和模型建立來分析交通數(shù)據(jù)，主要通數(shù)據(jù)的時(shí)空相關(guān)性分析和交通數(shù)據(jù)張量模型的建立，張量模型能從多個(gè)維度挖掘數(shù)據(jù)的多模式信息。為了更形式化的表示模型的具體流程，圖 4.1 展示了模型的整架。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐依虹;;基于移動(dòng)平均法預(yù)測(cè)短時(shí)交通流參數(shù)的步長選定[J];中國水運(yùn)(下半月);2017年04期

2 于振洋;;小波消噪的神經(jīng)網(wǎng)絡(luò)短時(shí)交通流量預(yù)測(cè)模型[J];計(jì)算機(jī)仿真;2012年09期

3 田晶;楊玉珍;陳陽舟;;短時(shí)交通流量?jī)煞N預(yù)測(cè)方法的研究[J];公路交通科技;2006年04期

4 蔣海峰;馬瑞軍;魏學(xué)業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識(shí)別短時(shí)交通流混沌特性的方法[J];鐵道學(xué)報(bào);2006年02期

5 華冬冬,陳森發(fā);非線性短時(shí)交通流的一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[J];現(xiàn)代交通技術(shù);2004年01期

6 楊慧慧;;城市道路短時(shí)交通流預(yù)測(cè)方法研究[J];河南科技;2018年26期

7 韋凌翔;陳紅;王永崗;張敏;王龍飛;;基于相關(guān)向量機(jī)的短時(shí)交通流量平滑處理方法[J];西北大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年01期

8 馬飛虎;饒志強(qiáng);;城市道路短時(shí)交通流預(yù)測(cè)方法研究[J];公路;2017年06期

9 張晗寒;梁禹民;陶世寧;韓旭;;基于大數(shù)據(jù)的交通信號(hào)實(shí)時(shí)優(yōu)化研究[J];工程建設(shè)與設(shè)計(jì);2017年05期

10 陸海亭;張寧;黃衛(wèi);夏井新;;短時(shí)交通流預(yù)測(cè)方法研究進(jìn)展[J];交通運(yùn)輸工程與信息學(xué)報(bào);2009年04期

相關(guān)會(huì)議論文 前4條

1 翁小雄;翦俊;;短時(shí)交通流頻譜分析與預(yù)測(cè)[A];第二十六屆中國控制會(huì)議論文集[C];2007年

2 田夫;李勇;孫占全;;短時(shí)交通流預(yù)測(cè)方法研究[A];2007第三屆中國智能交通年會(huì)論文集[C];2007年

3 張利;李星毅;施化吉;;一種基于ARIMA模型的短時(shí)交通流量改進(jìn)預(yù)測(cè)算法[A];2007第三屆中國智能交通年會(huì)論文集[C];2007年

4 張軍;;智能交通學(xué)術(shù)研究進(jìn)展[A];中國機(jī)械工程學(xué)會(huì)機(jī)械自動(dòng)化分會(huì)&中國自動(dòng)化學(xué)會(huì)制造技術(shù)專委會(huì)學(xué)術(shù)工作進(jìn)展報(bào)告 2017[C];2017年

相關(guān)重要報(bào)紙文章 前2條

1 記者 李君光 通訊員 梁書文;春節(jié)假期車流量創(chuàng)新高達(dá)37萬余輛[N];北海日?qǐng)?bào);2017年

2 本報(bào)記者 李嬋;交通擁堵為何預(yù)測(cè)不準(zhǔn)[N];北京科技報(bào);2010年

相關(guān)博士學(xué)位論文 前1條

1 張曉利;基于非參數(shù)回歸的短時(shí)交通流量預(yù)測(cè)方法研究[D];天津大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 陳凱勛;基于注意力機(jī)制的短時(shí)交通流速度預(yù)測(cè)模型研究[D];華南理工大學(xué);2019年

2 王致遠(yuǎn);基于相似性度量的高速公路短時(shí)交通流聚類與預(yù)測(cè)研究[D];北京交通大學(xué);2019年

3 程川云;基于張量模型的短時(shí)交通流量預(yù)測(cè)技術(shù)研究[D];重慶郵電大學(xué);2019年

4 趙慶;面向短時(shí)交通流分析與預(yù)測(cè)的循環(huán)神經(jīng)網(wǎng)絡(luò)算法研究[D];西安理工大學(xué);2019年

5 尹楊;基于深度學(xué)習(xí)的路網(wǎng)短時(shí)交通流分析與預(yù)測(cè)研究[D];西安郵電大學(xué);2019年

6 蔡新聞;基于EN-LSSVR模型的短時(shí)交通流預(yù)測(cè)方法研究[D];江蘇大學(xué);2019年

7 熊芷萱;基于改進(jìn)的極限學(xué)習(xí)機(jī)短時(shí)交通流預(yù)測(cè)模型研究[D];湖南大學(xué);2016年

8 劉永超;短時(shí)交通流量預(yù)測(cè)分析[D];蘭州交通大學(xué);2018年

9 康丹青;基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)方法研究[D];哈爾濱理工大學(xué);2018年

10 李星;融合天氣因素的短時(shí)交通流深度預(yù)測(cè)算法[D];長安大學(xué);2018年

本文編號(hào)：2786346