實時、準(zhǔn)確的短期交通流預(yù)測是交通控制與交通誘導(dǎo)的前提,對交通擁堵的緩解、社會經(jīng)濟(jì)的進(jìn)步有著重要的意義。深度學(xué)習(xí)的出現(xiàn)為交通流預(yù)測提供了新的思路,本文采用深度信念網(wǎng)絡(luò)（deepbeliefnetwork,DBN）與棧式自動編碼器（stacked autoencoder,SAE）兩種深度網(wǎng)絡(luò)分別構(gòu)建交通流預(yù)測模型,通過無監(jiān)督學(xué)習(xí)的方式提取交通流特征。然而,DBN與SAE預(yù)測模型的訓(xùn)練過程是非常耗時的,不能很好滿足交通流預(yù)測應(yīng)用系統(tǒng)的實時性要求。本文提出了一種基于數(shù)據(jù)并行方式的并行訓(xùn)練策略,分析了并行訓(xùn)練的可行性,推導(dǎo)了并行訓(xùn)練的公式,從而縮短了兩種交通流預(yù)測模型的訓(xùn)練時間,提高了預(yù)測應(yīng)用的實時性。具體研究內(nèi)容如下:首先,選取單路段單個斷面的交通流量為研究對象,基于兩種深度學(xué)習(xí)網(wǎng)絡(luò)分別構(gòu)建交通流預(yù)測模型,并完成模型的訓(xùn)練與測試過程。將其測試結(jié)果與傳統(tǒng)模型的測試結(jié)果進(jìn)行對比。本文選用的傳統(tǒng)模型包括BP神經(jīng)網(wǎng)絡(luò)（backpropagation neural network,BP-NN）與支持向量機(jī)（support vectormachine,SVM）。仿真結(jié)果表明,兩種基于深度網(wǎng)絡(luò)的模型預(yù)測精度... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－４?Ｔａｎｈ函數(shù)??Ｆｉｇｕｒｅ?２－４?Ｔａｎｈ?ｆｕｎｃｔｉｏｎ??

?５?１０??圖２－４?Ｔａｎｈ函數(shù)??Ｆｉｇｕｒｅ?２－４?Ｔａｎｈ?ｆｕｎｃｔｉｏｎ??相對于ｓｉｇｍｏｉｄ函數(shù)，ｔａｎｈ函數(shù)的輸出以０為中心，用其作為激活函數(shù)，收斂??速度也較快。但與ｓｉｇｍｏｉｄ函數(shù)相似，選用ｔａｎｈ函數(shù)作為激活函數(shù)，在誤差反傳過??程中依然會出現(xiàn)梯度消失的問題。??（３）?ＲｅＬＵ?函數(shù)??１６??

常是在誤差函數(shù)表達(dá)式中入項，項Ｌ１正則化的處理方法是通過限定權(quán)值來得到一個稀疏合問題。??化??Ｌ２?ｒｅｇｕｌａｒｉｚａｔｉｏｎ）與Ｌ１正則化相似，也是對誤差函數(shù)進(jìn)Ｅ?＝?Ｅ０＋＾－Ｙ，ｗ２Ｌ１正則化的原理相似，同樣是對權(quán)值進(jìn)行限定。使用Ｌ２過程中可以將權(quán)值的范數(shù)限制在一定范圍內(nèi)，使最終的ｉｇｈｔ?ｄｅｃａｙ）。權(quán)值衰減使模型復(fù)雜度降低，從而解決過ｔ??是針對模型來解決過擬合問題的一種方法，采用直接減如圖２－６所示。Ｄｒｏｐｏｕｔ方法的具體過程是在每一次迭代層的一部分神經(jīng)元，丟棄比例視具體情況而定。這樣在，可以得到稀疏的網(wǎng)絡(luò)參數(shù)，從而減少參數(shù)的計算量。??


本文編號：2943065