深度高斯過(guò)程作為近年來(lái)提出的一種新的深度學(xué)習(xí)方法,由于其強(qiáng)大的學(xué)習(xí)能力和對(duì)非線性數(shù)據(jù)的隱含細(xì)節(jié)特征的刻畫,被廣泛運(yùn)用于非監(jiān)督學(xué)習(xí)領(lǐng)域。與傳統(tǒng)機(jī)器學(xué)習(xí)方法或深度學(xué)習(xí)方法不同,深度高斯過(guò)程從單個(gè)淺層高斯過(guò)程出發(fā),通過(guò)使用變分推斷的方法,解決了求解最大后驗(yàn)概率分布時(shí)的非解析解困境,從而能夠在給出預(yù)測(cè)值的同時(shí),還能從概率意義上刻畫預(yù)測(cè)的不確定性,這種特性在時(shí)間序列預(yù)測(cè)領(lǐng)域中,尤其是在交通流預(yù)測(cè)中非常具有現(xiàn)實(shí)的意義。本文首次將深度高斯過(guò)程運(yùn)用于交通流預(yù)測(cè)當(dāng)中,主要工作如下:(1)針對(duì)交通流數(shù)據(jù)的高噪聲特性,進(jìn)行了大量的數(shù)據(jù)預(yù)處理工作,這些工作包括:通過(guò)對(duì)于各個(gè)缺失值填充方法的對(duì)比,選擇了前向填充作為本文的填充方式;針對(duì)數(shù)據(jù)中的高噪聲情況,對(duì)比了幾個(gè)常用的濾波算法,并選擇了局部線性加權(quán)回歸濾波作為最終的去噪手段。(2)搭建了三層的由不同核函數(shù)組成的深度高斯網(wǎng)絡(luò),對(duì)實(shí)際數(shù)據(jù)集中的長(zhǎng)期交通流進(jìn)行了預(yù)測(cè),并取得了良好的效果。(3)將深度高斯過(guò)程與淺層高斯過(guò)程在縱向維度上進(jìn)行對(duì)比,實(shí)驗(yàn)證明深度高斯過(guò)程在非線性特征擬合程度及預(yù)測(cè)精度方面,都表現(xiàn)出相比于傳統(tǒng)淺層高斯更好的效果,尤其是針對(duì)交通流的波動(dòng),深度高斯... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

智能交通系統(tǒng)組成部分Figure1-1ComponentsofIntelligentTransportationSystem

圖２－２?ＡＲＩＭＡ模型的建模步驟??Ｆｉｇｕｒｅ?２－２?Ｓｔｅｐｓ?ｏｆ?ｍｏｄｅｌｉｎｇ?ＡＲＩＭＡ??

圖２－３典型的多層ＢＰ神經(jīng)網(wǎng)絡(luò)??Ｆｉｇｕｒｅ?２－３?Ｔｙｐｉｃａｌ?ｍｕｌｔｉｌａｙｅｒ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??如圖２－３所示，圖中該ＢＰ神經(jīng)網(wǎng)絡(luò)由三個(gè)層組成：最左邊的一層稱為輸入層??（ＩｎｐｕｔＬａｙｅｒ），最右的一層為輸出層（ＯｕｔｐｕｔＬａｙｅｒ），中間所有神經(jīng)元組成的層叫??做隱藏層（ＨｉｄｄｅｎＬａｙｅｒ）。每個(gè)藍(lán)色圓圈代表一個(gè)輸入值，帶有“＋１”標(biāo)識(shí)的圓圈??為偏置項(xiàng)。??在向量運(yùn)算空間中，若用表示神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)，則該神經(jīng)元的參數(shù)??為＿４＝＾（＇６（１），％６１，代表著隱含層的權(quán)值向量＃＇６（１）和輸出層的權(quán)值??１８??

【參考文獻(xiàn)】：
期刊論文
[1]基于小波神經(jīng)網(wǎng)絡(luò)模型的短時(shí)交通流低頻數(shù)據(jù)的預(yù)測(cè)[J]. 丁肅然.  技術(shù)與市場(chǎng). 2017(11)
[2]基于馬爾可夫時(shí)變模型的流量數(shù)據(jù)挖掘[J]. 葉德忠,巫忠正,蔣勇.  軟件. 2017(09)
[3]基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法研究[J]. 程山英.  計(jì)算機(jī)測(cè)量與控制. 2017(08)
[4]短時(shí)交通流量的變結(jié)構(gòu)預(yù)測(cè)模型[J]. 談堃,殷禮勝,柴良勇.  自動(dòng)化技術(shù)與應(yīng)用. 2017(07)
[5]基于ARMA和卡爾曼濾波的短時(shí)交通預(yù)測(cè)[J]. 楊高飛,徐睿,秦鳴,鄭凱俐,張兵.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2017(02)
[6]基于ARIMA和小波神經(jīng)網(wǎng)絡(luò)組合模型的交通流預(yù)測(cè)[J]. 成云,成孝剛,談苗苗,周凱,李海波.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(01)
[7]高斯過(guò)程回歸短時(shí)交通流預(yù)測(cè)方法[J]. 康軍,段宗濤,唐蕾,劉研,王超.  交通運(yùn)輸系統(tǒng)工程與信息. 2015(04)
[8]相空間重構(gòu)的卡爾曼濾波交通流預(yù)測(cè)研究[J]. 錢偉,楊慧慧,孫玉娟.  計(jì)算機(jī)工程與應(yīng)用. 2016(14)
[9]高斯過(guò)程回歸方法綜述[J]. 何志昆,劉光斌,趙曦晶,王明昊.  控制與決策. 2013(08)
[10]基于混沌分析的道路網(wǎng)交通流短時(shí)預(yù)測(cè)[J]. 董春嬌,邵春福,李娟,孟夢(mèng).  系統(tǒng)工程學(xué)報(bào). 2011(03)

博士論文
[1]基于馬爾可夫鏈的道路交通事故預(yù)測(cè)研究及應(yīng)用[D]. 趙玲.長(zhǎng)安大學(xué) 2013
[2]基于實(shí)時(shí)數(shù)據(jù)的道路網(wǎng)短時(shí)交通流預(yù)測(cè)理論與方法研究[D]. 姚智勝.北京交通大學(xué) 2007
[3]先進(jìn)的交通管理系統(tǒng)關(guān)鍵理論與方法研究[D]. 楊慶芳.吉林大學(xué) 2004
[4]基于集成神經(jīng)網(wǎng)絡(luò)的城市道路交通流量融合預(yù)測(cè)研究[D]. 李存軍.西南交通大學(xué) 2004
[5]貝葉斯學(xué)習(xí)理論及其應(yīng)用研究[D]. 宮秀軍.中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所） 2002

碩士論文
[1]Hadoop環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法研究[D]. 王春安.北京交通大學(xué) 2017
[2]基于改進(jìn)狼群算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)[D]. 齊璐.西南交通大學(xué) 2017
[3]基于馬爾可夫鏈組合模型的交通流量長(zhǎng)時(shí)預(yù)測(cè)[D]. 謝凱兵.北京交通大學(xué) 2017
[4]基于神經(jīng)網(wǎng)絡(luò)的城市交通流量預(yù)測(cè)模型研究[D]. 張佳寧.廣東工業(yè)大學(xué) 2016
[5]基于高斯過(guò)程回歸的鋰電池?cái)?shù)據(jù)處理[D]. 葉婧.北京交通大學(xué) 2016
[6]基于二型模糊集合理論的交通流長(zhǎng)時(shí)預(yù)測(cè)方法研究[D]. 江超陽(yáng).北京交通大學(xué) 2016
[7]基于短—長(zhǎng)期模型組合的交通流預(yù)測(cè)方法[D]. 彭?xiàng)潡?山東理工大學(xué) 2012
[8]基于高斯過(guò)程的pH中和過(guò)程控制研究[D]. 張惠澤.哈爾濱工業(yè)大學(xué) 2010
[9]交通流預(yù)測(cè)的分形理論與系統(tǒng)仿真[D]. 李健.長(zhǎng)安大學(xué) 2010



本文編號(hào)：2898115