交通流量預測是智能交通系統(tǒng)(ITS)的關鍵技術之一,交通流量預測是指使用時間序列算法或智能計算方法,基于歷史信息和其他影響因素來預測未來交通信息變化。由于交通系統(tǒng)受外界和內部干擾,使得交通參數(shù)具有一定的復雜性和隨機性,單一的方法或算法很難準確的描述交通參數(shù)的變化情況,深度學習類方法因具有強大非線性處理和特征學習能力已經得到廣泛應用,近來的研究中也出現(xiàn)了很多組合分析方法,可以結合多種算法的優(yōu)勢。本文以深度學習方法為基本預測算法,主要研究了三大類交通流量預測方法:幾種基本的時間序列分析方法、基于卷積網(wǎng)絡(CNN)的時空預測算法、基于經驗模態(tài)分解(EMD)和長短期記憶網(wǎng)絡(LSTM)的時空預測算法。實驗給出了各個算法的預測曲線分析,計算出衡量算法預測性能的誤差指標并進行對比,可以得到以下結論:數(shù)據(jù)相同時,在算法誤差指標方面,傳統(tǒng)的時間序列預測分析方法最大,時空相關的CNN改進算法次之,時空EMD-LSTM類算法最小;在算法的復雜度和訓練效率上,傳統(tǒng)時間序列算法和基于LSTM類的算法比時空相關的CNN類算法快,復雜度低。最后,在所有仿真方法中,采用噪聲輔助分析的時空EEMD-LSTM算法性能最...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀
        1.2.1 ITS研究現(xiàn)狀
        1.2.2 交通流量預測研究現(xiàn)狀
        1.2.3 深度學習方法研究現(xiàn)狀
    1.3 研究內容
    1.4 論文結構
第2章 短期交通流量預測
    2.1 引言
    2.2 短時交通流量預測基本理論
        2.2.1 基本參數(shù)
        2.2.2 特性分析
        2.2.3 主要影響因素分析
    2.3 短時交通流量常用預測方法
        2.3.1 指數(shù)平滑方法
        2.3.2 支持向量機
        2.3.3 BP神經網(wǎng)絡
    2.4 交通數(shù)據(jù)的采集與處理
        2.4.1 交通流量數(shù)據(jù)的獲取
        2.4.2 交通數(shù)據(jù)錯誤的原因和類型
        2.4.3 錯誤數(shù)據(jù)的判斷和處理
        2.4.4 數(shù)據(jù)規(guī)范化
    2.5 算法評價指標
    2.6 本章小結
第3章 基于卷積神經網(wǎng)絡的交通流時空分析預測
    3.1 引言
    3.2 卷積神經網(wǎng)絡
        3.2.1 原理簡介
        3.2.2 CNN預測性能分析
    3.3 密集連接卷積神經網(wǎng)絡
        3.3.1 原理簡介
        3.3.2 DenseNet預測性能分析
    3.4 多時間尺度的密集連接卷積網(wǎng)絡融合預測
        3.4.1 多時間尺度網(wǎng)絡結構
        3.4.2 多時間尺度DenseNet預測性能分析
    3.5 本章小結
第4章 基于經驗模態(tài)分解的LSTM時空預測
    4.1 引言
    4.2 長短期記憶網(wǎng)絡
        4.2.1 LSTM算法原理
        4.2.2 LSTM算法預測分析
    4.3 經驗模態(tài)分解算法
        4.3.1 經驗模態(tài)分解算法原理
        4.3.2 EMD分解算法分解信號的時域和頻域分析
    4.4 時空EMD-LSTM預測算法
        4.4.1 時空EMD-LSTM預測算法原理
        4.4.2 EMD-LSTM算法性能分析
    4.5 時空EEMD-LSTM預測算法
        4.5.1 集合經驗模態(tài)分解(EEMD)算法
        4.5.2 EEMD分解算法分解信號的時域和頻域分析
        4.5.3 時空EEMD-LSTM算法及預測結果分析
    4.6 本章小結
結論
參考文獻
致謝



本文編號：3761189