智能交通系統(tǒng)是全世界公認(rèn)的提高道路安全、緩解交通擁堵、減少交通污染、縮短出行時(shí)間、提高路網(wǎng)通行效率的有效途徑。實(shí)時(shí)、準(zhǔn)確的短時(shí)交通流預(yù)測(cè)是智能交通系統(tǒng)的關(guān)鍵技術(shù)之一,也是交通流預(yù)測(cè)領(lǐng)域的研究重點(diǎn),更是進(jìn)行交通誘導(dǎo)和控制、出行路線規(guī)劃等的基礎(chǔ),在高速公路路網(wǎng)的交通規(guī)劃及優(yōu)化管理中起著極為重要的作用。針對(duì)現(xiàn)有預(yù)測(cè)模型無(wú)法在海量交通大數(shù)據(jù)中提取交通流序列的內(nèi)部規(guī)律,未能考慮交通流序列不同成分對(duì)預(yù)測(cè)性能影響的問(wèn)題,本文在充分利用交通流序列時(shí)空相關(guān)性的基礎(chǔ)上,提出了一種基于正交參數(shù)優(yōu)化的DFT-KNN-LSTM短時(shí)交通流預(yù)測(cè)模型。首先,采用DFT將交通流數(shù)據(jù)分解為趨勢(shì)項(xiàng)分量及殘差項(xiàng)分量,去除趨勢(shì)項(xiàng)分量對(duì)預(yù)測(cè)結(jié)果的影響;其次,采用基于距離加權(quán)的KNN算法篩選出與待預(yù)測(cè)目標(biāo)檢測(cè)站空間相關(guān)性最大的K個(gè)檢測(cè)站,以篩選出的K個(gè)檢測(cè)站的交通流構(gòu)造時(shí)空相關(guān)數(shù)據(jù)集輸入LSTM模型中進(jìn)行短時(shí)交通流預(yù)測(cè);并通過(guò)正交試驗(yàn)對(duì)LSTM模型的參數(shù)進(jìn)行優(yōu)化,以預(yù)測(cè)誤差最小為目標(biāo)函數(shù)確定最優(yōu)的模型參數(shù)組合;最后,通過(guò)美國(guó)交通研究數(shù)據(jù)實(shí)驗(yàn)室提供的真實(shí)交通數(shù)據(jù)對(duì)本文提出的模型進(jìn)行驗(yàn)證。通過(guò)真實(shí)的實(shí)驗(yàn)驗(yàn)證得出:(1)去除趨勢(shì)項(xiàng)分量可...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 交通流量預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 交通流量預(yù)測(cè)概述
        1.2.2 交通流量預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容及章節(jié)安排
第二章 交通流數(shù)據(jù)分解方法
    2.1 離散傅里葉變換
    2.2 經(jīng)驗(yàn)?zāi)B(tài)分解
    2.3 希爾伯特-黃變換
    2.4 小波變換
    2.5 本章小結(jié)
第三章 深度學(xué)習(xí)基本理論
    3.1 深度學(xué)習(xí)概述
    3.2 深度學(xué)習(xí)的常用模型
        3.2.1 限制玻爾茲曼機(jī)
        3.2.2 深度信念網(wǎng)絡(luò)
        3.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.2.4 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
    3.3 本章小結(jié)
第四章 DFT-KNN-LSTM短時(shí)交通流預(yù)測(cè)模型
    4.1 DFT交通流數(shù)據(jù)分解
    4.2 DFT-KNN-LSTM短時(shí)交通流預(yù)測(cè)模型
        4.2.1 KNN算法理論
        4.2.2 基于DFT-KNN-LSTM的短時(shí)交通流預(yù)測(cè)
    4.3 正交試驗(yàn)設(shè)計(jì)
        4.3.1 正交試驗(yàn)設(shè)計(jì)原理
        4.3.2 基于正交試驗(yàn)設(shè)計(jì)的模型參數(shù)優(yōu)化
    4.4 基于正交參數(shù)優(yōu)化的DFT-KNN-LSTM短時(shí)交通流預(yù)測(cè)流程
    4.5 預(yù)測(cè)結(jié)果的性能評(píng)價(jià)指標(biāo)
    4.6 本章小結(jié)
第五章 預(yù)測(cè)結(jié)果分析
    5.1 交通數(shù)據(jù)來(lái)源
    5.2 交通流時(shí)空特性分析
    5.3 模型參數(shù)確定
        5.3.1 DFT交通流數(shù)據(jù)分解
        5.3.2 基于距離加權(quán)的KNN空間相關(guān)性篩選
        5.3.3 基于正交試驗(yàn)設(shè)計(jì)的LSTM模型參數(shù)優(yōu)化
    5.4 預(yù)測(cè)結(jié)果及分析
        5.4.1 參數(shù)優(yōu)化結(jié)果分析
        5.4.2 模型對(duì)比分析
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝



本文編號(hào)：3907680