隨著科學(xué)技術(shù)不斷進(jìn)步,公交客流數(shù)據(jù)在不斷地積累,這些客流數(shù)據(jù)中存在不少缺失或者損壞的問題。公交客流數(shù)據(jù)能夠準(zhǔn)確地分析和應(yīng)用是智能公交調(diào)度的基礎(chǔ),在智能公交調(diào)度與控制中起著重要的作用。為了能給公交調(diào)度人員提供準(zhǔn)確的公交客流數(shù)據(jù),指導(dǎo)公交調(diào)度的順利進(jìn)行,研究公交客流缺失數(shù)據(jù)填補和在此基礎(chǔ)上的公交客流短時預(yù)測方法是非常有必要的。提升公交客流缺失數(shù)據(jù)的填補精度,利用填補好的客流數(shù)據(jù)進(jìn)行短時客流預(yù)測,提升預(yù)測的準(zhǔn)確度,是本文想要達(dá)到的目標(biāo)。本文選擇機器學(xué)習(xí)相關(guān)算法對公交客流數(shù)據(jù)進(jìn)行研究,針對原始數(shù)據(jù)中含缺失數(shù)據(jù)的問題,本文提出利用NN-DSAE組合模型進(jìn)行缺失數(shù)據(jù)的填補,在此基礎(chǔ)上,為了更好地提升短時客流預(yù)測的準(zhǔn)確度,本文提出基于LSTM網(wǎng)絡(luò)和決策樹組合模型用于短時公交客流的預(yù)測。本文在描述公交客流缺失數(shù)據(jù)填補模型過程中,對NN（鄰域）、AE（自編碼器）、DAE（降噪自編碼器）和DSAE（堆疊降噪自編碼器）進(jìn)行分析,采用鄰域-降噪堆疊自編碼器的客流缺失數(shù)據(jù)填補方法。NN-DSAE組合模型首先對公交客流數(shù)據(jù)進(jìn)行分析,在此基礎(chǔ)上改進(jìn)缺失值的鄰域范圍,提升尋找缺失值鄰域的效率,將找出的鄰域矩陣作為堆疊... 

【文章來源】：大連海事大學(xué)遼寧省211工程院校

【文章頁數(shù)】：92 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 缺失數(shù)據(jù)填補與短時客流預(yù)測研究現(xiàn)狀
        1.2.1 數(shù)據(jù)缺失填補研究現(xiàn)狀
        1.2.2 短時客流預(yù)測研究現(xiàn)狀
    1.3 研究框架與組織結(jié)構(gòu)
    1.4 本章小結(jié)
2 缺失數(shù)據(jù)填補理論基礎(chǔ)
    2.1 數(shù)據(jù)清洗
    2.2 缺失數(shù)據(jù)的產(chǎn)生及影響
    2.3 缺失機制與缺失模式
    2.4 缺失數(shù)據(jù)填補方法
        2.4.1 回歸模型填補算法
        2.4.2 基于EM填補算法
        2.4.3 基于MVC填補算法
        2.4.4 基于KNNI填補算法
        2.4.5 多重填補算法
    2.5 公交客流數(shù)據(jù)來源
    2.6 本章小結(jié)
3 基于NN-DSAE的缺失數(shù)據(jù)填補方法
    3.1 自編碼器
    3.2 降噪自編碼器
    3.3 降噪堆疊自編碼器
    3.4 基于NN-DSAE客流缺失數(shù)據(jù)填補算法
    3.5 基于NN-DSAE的公交客流缺失數(shù)據(jù)填補方法實驗分析
        3.5.1 評價指標(biāo)
        3.5.2 模型參數(shù)確定
        3.5.3 缺失數(shù)據(jù)填補結(jié)果及分析
    3.6 本章小結(jié)
4 基于小波函數(shù)的客流數(shù)據(jù)分解
    4.1 小波分析原理
        4.1.1 小波變換
        4.1.2 多分辨率分析
        4.1.3 小波重構(gòu)
    4.2 小波函數(shù)選取
        4.2.1 小波基函數(shù)
        4.2.2 小波基性能比較
    4.3 小波閾值去噪
        4.3.1 小波閾值去噪的原理分析
        4.3.2 小波閾值函數(shù)的選取方式
        4.3.3 閾值選取方法
    4.4 本章小結(jié)
5 基于LSTM網(wǎng)絡(luò)和決策樹的短時公交客流預(yù)測方法
    5.1 LSTM神經(jīng)網(wǎng)絡(luò)
    5.2 LSTM網(wǎng)絡(luò)構(gòu)建公交客流均勻部分預(yù)測模型
    5.3 決策樹模型
        5.3.1 線性回歸
        5.3.2 非線性回歸
        5.3.3 屬性選擇度量
    5.4 構(gòu)建LSTM-決策樹組合模型
    5.5 基于LSTM網(wǎng)絡(luò)和決策樹的短時公交客流預(yù)測方法實驗驗證
        5.5.1 基于LSTM網(wǎng)絡(luò)的短時公交客流均勻部分預(yù)測
        5.5.2 基于決策樹的短時公交客流隨機部分預(yù)測
        5.5.3 基于組合模型的短時公交客流預(yù)測
    5.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
作者簡歷及攻讀碩士學(xué)位期間的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基本風(fēng)速預(yù)測中缺失歷史數(shù)據(jù)的修訂方法[J]. 項程,陳艾榮,李其恒,馬如進(jìn).  南京工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2019(06)
[2]中值濾波結(jié)合小波變換在光譜去噪中的應(yīng)用[J]. 龔夢龍.  科技與創(chuàng)新. 2018(12)
[3]基于K-means和近鄰回歸算法的Kinect植株深度圖像修復(fù)[J]. 沈躍,徐慧,劉慧,李寧.  農(nóng)業(yè)工程學(xué)報. 2016(19)
[4]基于Hadoop架構(gòu)的多重分布式BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法[J]. 蘇學(xué)能,劉天琪,曹鴻謙,焦慧明,于亞光,何川,沈驥.  中國電機工程學(xué)報. 2017(17)
[5]基于決策樹的煤化工污染物定量化溯源研究[J]. 郟奎奎,劉海濱.  環(huán)境工程. 2016(S1)
[6]馬爾科夫理論的優(yōu)化灰色模型預(yù)測建模[J]. 李克昭,李志偉,趙磊杰.  測繪科學(xué). 2016(08)
[7]基于EMD-BPN方法的高速鐵路短期客流預(yù)測[J]. 曹承,梁院生.  交通科技與經(jīng)濟(jì). 2015(01)
[8]非完整約束下濾波算法在組合導(dǎo)航中的應(yīng)用[J]. 郭俊鴿,郭杭,洪海斌.  計算機工程與應(yīng)用. 2015(24)
[9]一種基于小波變換的LTE系統(tǒng)下行鏈路信道估計算法[J]. 馬項楠,余立建.  西南科技大學(xué)學(xué)報. 2011(04)
[10]期望值優(yōu)化法在項目風(fēng)險決策中的應(yīng)用[J]. 殷煥武,張鐵山.  技術(shù)經(jīng)濟(jì)與管理研究. 2006(02)

博士論文
[1]深度學(xué)習(xí)模型的高效訓(xùn)練算法研究[D]. 陳凱.中國科學(xué)技術(shù)大學(xué) 2016

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識別技術(shù)研究[D]. 霍祥湖.電子科技大學(xué) 2017
[2]公交客流實時分析與短時預(yù)測研究[D]. 董海洋.大連理工大學(xué) 2013
[3]基于小波變換的交通流短時預(yù)測模型研究[D]. 曹征.北京交通大學(xué) 2010
[4]不完備信息系統(tǒng)中數(shù)據(jù)挖掘的粗糙集方法[D]. 梁美蓮.廣西大學(xué) 2005



本文編號：3642136