近年來,隨著交通需求的不斷增加,出現了一系列交通問題,尤其是交通擁堵問題。為了有效地緩解這一問題,智能交通系統(tǒng)(ITS)被廣泛應用于動態(tài)交通管理中,預測交通流量的問題一直是智能交通系統(tǒng)的研究重點。如果能夠預測一個地區(qū)的車輛流動情況,那么可以通過利用應急措施來預防和管理。同時,交通流預測問題又非常具有挑戰(zhàn)性,因為它受到許多復雜因素的影響,如區(qū)域間交通,事件和天氣。因此,如何融合各領域數據資源,完善交通資源配置,提高道路交通效率,保證交通質量,保障交通系統(tǒng)安全成為亟待解決的問題。在此背景下,本文針對交通時空數據特點,提出了一種預測交通流量的方法,是基于深度學習來預測。首先,全面總結現有的交通流量預測方法并進行比較;其次,對交通流預測中涉及到的基本定義、參數進行詳細闡述;再次,詳細介紹了機器學習和深度學習理論,為后續(xù)建立模型奠定理論基礎;然后,采用深度學習中的CNN、LSTM作為基本網絡結構,并對其進行組合得到新模型來對交通流進行預測;最后,利用北京市2015年的出租車出行數據來對模型訓練、測試。通過與其他方法進行對比可說明,基于CNN組合LSTM的交通流預測模型的均方根誤差(RMSE)更低... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 國內外研究現狀綜述
        1.2.1 交通流要素及其特征表示
        1.2.2 交通流預測模型綜述
    1.3 研究的目的與意義
    1.4 本章小結
2 交通流數據概述及處理
    2.1 交通流數據基本參數
    2.2 交通流數據基本特性
    2.3 交通流數據預處理
        2.3.1 實驗數據預處理
        2.3.2 影響交通流預測的外部信息預處理
    2.4 本章小結
3 機器學習相關理論研究
    3.1 機器學習理論
        3.1.1 機器學習概述
        3.1.2 機器學習的技術分類
    3.2 深度學習理論
        3.2.1 深度學習概述
        3.2.2 深度學習基礎
    3.3 本章小結
4 基于CNN+LSTM的神經網絡模型
    4.1 卷積神經網絡
        4.1.1 卷積神經網絡概述
        4.1.2 卷積神經網絡特點
        4.1.3 卷積神經網絡的結構
    4.2 RNN神經網絡
        4.2.1 循環(huán)神經網絡簡介
        4.2.2 循環(huán)神經網絡的結構
        4.2.3 循環(huán)神經網絡訓練
    4.3 LSTM網絡模型
        4.3.1 LSTM網絡模型簡介及其結構
        4.3.2 LSTM模型的訓練
    4.4 CNN+LSTM模型建立
        4.4.1 基本框架
        4.4.2 模型損失函數及評價指標
    4.5 模型實現技術語言簡介
    4.6 本章小結
5 實證分析
    5.1 研究對象介紹
    5.2 實驗數據集選取
    5.3 模型參數確定
    5.4 實驗環(huán)境介紹
    5.5 基準對比模型及結果分析
    5.6 本章小結
結論
參考文獻
致謝


【參考文獻】：
期刊論文
[1]卷積神經網絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[2]智慧城市視頻大數據的趨勢和挑戰(zhàn)[J]. 田永鴻,黃鐵軍,高文.  中國鐵路. 2016(01)
[3]基于組合預測模型的短時交通流預測[J]. 李穎宏,劉樂敏,王玉全.  交通運輸系統(tǒng)工程與信息. 2013(02)



本文編號：2917112