自改革開(kāi)放以來(lái),中國(guó)經(jīng)濟(jì)水平增長(zhǎng)迅速,且目前仍處于中高速增長(zhǎng)水平,在此基礎(chǔ)上我國(guó)的汽車(chē)行業(yè)與居民的汽車(chē)保有量蓬勃發(fā)展,但與此同時(shí)居民交通出行壓力日益增加,智能交通系統(tǒng)智能化的要求不斷提高。短時(shí)交通流預(yù)測(cè)是智能交通系統(tǒng)的一個(gè)重要研究方向,準(zhǔn)確高效的短時(shí)交通流預(yù)測(cè),對(duì)交通誘導(dǎo)與管理,國(guó)民出行具有重要意義。本文針對(duì)短時(shí)交通流預(yù)測(cè)研究的主要完成以下工作:(1)針對(duì)本文實(shí)驗(yàn)的交通流數(shù)據(jù)集完成數(shù)據(jù)剪枝,數(shù)據(jù)清洗與填補(bǔ),完成建模過(guò)程中必要的流量統(tǒng)計(jì),時(shí)間序列劃分等工作,為后續(xù)研究做出重要鋪墊。(2)本文研究并實(shí)現(xiàn)了基于PageRank算法的交通網(wǎng)絡(luò)節(jié)點(diǎn)擁堵預(yù)測(cè)方法。利用交通網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)頁(yè)結(jié)構(gòu)的相似性,計(jì)算度量交通網(wǎng)絡(luò)節(jié)點(diǎn)的PageRank值,并發(fā)現(xiàn)t-1時(shí)刻交通節(jié)點(diǎn)的PageRank值和t時(shí)刻該節(jié)點(diǎn)的交通擁堵指數(shù)存在強(qiáng)線性相關(guān)性,以此相關(guān)性來(lái)預(yù)測(cè)交通擁堵?tīng)顩r,實(shí)驗(yàn)驗(yàn)證此預(yù)測(cè)方法有83.6%的平均準(zhǔn)確率。(3)本文研究并構(gòu)建了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法,在實(shí)驗(yàn)數(shù)據(jù)集上首先對(duì)單一采樣點(diǎn)的交通流量在Vanilla LSTM模型上進(jìn)行預(yù)測(cè)。同時(shí)研究多采樣點(diǎn)構(gòu)建的時(shí)空流量矩陣在CNN-LSTM模型上...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 交通網(wǎng)絡(luò)擁堵預(yù)測(cè)研究現(xiàn)狀
        1.2.2 交通流預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)算法研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 本文組織結(jié)構(gòu)
2 短時(shí)交通流特性與建模
    2.1 短時(shí)交通流特征
    2.2 短時(shí)交通流量數(shù)據(jù)
    2.3 短時(shí)交通流預(yù)測(cè)方法
        2.3.1 預(yù)測(cè)評(píng)價(jià)指標(biāo)
        2.3.2 ARIMA預(yù)測(cè)模型
        2.3.3 灰度GM預(yù)測(cè)模型
        2.3.4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
    2.4 本章小結(jié)
3 基于PageRank算法的交通擁堵預(yù)測(cè)研究
    3.1 PageRank算法基礎(chǔ)
    3.2 基于PageRank算法的交通擁堵預(yù)測(cè)算法
        3.2.1 交通網(wǎng)絡(luò)與互聯(lián)網(wǎng)網(wǎng)絡(luò)相似性
        3.2.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
        3.2.3 城市交通網(wǎng)絡(luò)模型研究
        3.2.4 模型求解與分析
    3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)算法的短時(shí)交通流預(yù)測(cè)
    4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.1.1 RNN的網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.2 LSTM長(zhǎng)短記憶網(wǎng)絡(luò)模型
    4.2 基于LSTM模型的短時(shí)交通流預(yù)測(cè)
        4.2.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理
        4.2.2 Vanilla LSTM預(yù)測(cè)模型
        4.2.3 CNN-LSTM預(yù)測(cè)模型
        4.2.4 LSTM演化的GRU預(yù)測(cè)模型
    4.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
5 基于Spark的短時(shí)交通流數(shù)據(jù)分析系統(tǒng)實(shí)現(xiàn)
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)主要功能模塊
    5.3 系統(tǒng)實(shí)現(xiàn)
    5.4 本章小結(jié)
6 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果



本文編號(hào)：3830218