隨著社會經(jīng)濟的快速發(fā)展,車輛數(shù)量迅速增加,交通擁堵問題日益嚴重。解決這一問題最有效的方法是使用智能交通系統(tǒng)（ITS）減少交通擁堵,而智能交通系統(tǒng)的核心要素之一是短時交通流量預(yù)測。精確的交通流量預(yù)測模型在減少交通擁堵,改善空氣質(zhì)量和支持政府決策方面發(fā)揮著重要作用。本文對交通預(yù)測現(xiàn)有的方法進行總結(jié),并在前人研究基礎(chǔ)上進行改進和創(chuàng)新,針對不同情況,提出了具有較高預(yù)測精度的模型。本文在現(xiàn)有的工作基礎(chǔ)上做了以下研究:本文首先提出了一種基于LSTM的改進的方法（LSTM+）,它利用注意機制來捕獲超長序列的高影響值,并將其連接到當前時間步,從而使LSTM具有超長記憶的功能。當部分地區(qū)傳感器數(shù)量少,傳感器之間比較孤立,傳感器之間無法形成有效的拓撲關(guān)系,本文使用長短期記憶網(wǎng)絡(luò)（LSTM）進行流量預(yù)測,然而由于LSTM細胞大小有限以及細胞狀態(tài)一直不斷更新,導(dǎo)致LSTM對超長期依賴捕獲不足,最近有研究人員注意到在多個時間尺度添加特征可以幫助改善循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的長期依賴,受此啟發(fā),因此本文利用注意機制方式改進了 LSTM。實驗結(jié)果表明,所改進的LSTM+模型在孤立傳感器預(yù)測中具有一定的競爭力。其次本文... 

【文章來源】：浙江工商大學(xué)浙江省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

SB-SR41-S儈在2019/3/4到2019/3/17號實交值

不同征與亴值關(guān)性

卷操作


本文編號：3147155