道路導(dǎo)航是人們出行的重要工具,選擇合適的導(dǎo)航路線決定于該路線的行程時(shí)間,以及在該時(shí)間內(nèi)順利到達(dá)目的地的可靠性。由于出租車運(yùn)行軌跡覆蓋范圍廣、運(yùn)行時(shí)間長(zhǎng)、數(shù)據(jù)量大的特點(diǎn),利用出租車時(shí)空軌跡預(yù)測(cè)城市道路行程時(shí)間已經(jīng)是國(guó)內(nèi)外智慧城市智能交通系統(tǒng)的重要研究?jī)?nèi)容,但現(xiàn)有行程時(shí)間預(yù)測(cè)方法卻缺乏足夠的預(yù)測(cè)精度和可靠性。針對(duì)上述問(wèn)題,本文采用深度神經(jīng)網(wǎng)絡(luò)對(duì)出租車軌跡進(jìn)行學(xué)習(xí)預(yù)測(cè)行程時(shí)間,開(kāi)展了以下工作:（1）研究了數(shù)據(jù)預(yù)處理和地圖匹配方法,采用坐標(biāo)轉(zhuǎn)換和隱馬爾科夫模型完成出租車GPS軌跡點(diǎn)與電子地圖道路網(wǎng)的地圖匹配過(guò)程;（2）研究了成都市出租車的運(yùn)營(yíng)和居民出行情況,對(duì)載客次數(shù)、載客時(shí)長(zhǎng)、出行量、出行距離等指標(biāo)進(jìn)行了分析,通過(guò)出租車出行指標(biāo)的時(shí)空聚類研究了成都市交通狀態(tài)的時(shí)空變化規(guī)律;（3）提出了以雙向長(zhǎng)短時(shí)記憶（Long Short-Term Memory,LSTM）和殘差網(wǎng)絡(luò)為主要結(jié)構(gòu)的時(shí)空軌跡模型（Spatio-Temproal Trajectory Model,STTM）,測(cè)試數(shù)據(jù)集上的多個(gè)精度評(píng)價(jià)指標(biāo)證實(shí)了STTM的可靠性和泛化能力;（4）利用Geohash編碼和DBSCAN（Density-... 

【文章來(lái)源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

各類激活函數(shù)圖

個(gè)記憶塊計(jì)算。2.3 深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法目前為止，本文已經(jīng)討論了多層感知機(jī)和循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和推導(dǎo)，然而為了確保神經(jīng)網(wǎng)絡(luò)訓(xùn)練的快速高效，尚有以下幾個(gè)方法。2.3.1 早停法為了獲得較好性能的神經(jīng)網(wǎng)絡(luò)模型，需要進(jìn)行許許多多的參數(shù)設(shè)置，如訓(xùn)練過(guò)程中周期（epoch）的次數(shù)，如果 epoch 次數(shù)過(guò)少，模型易產(chǎn)生欠擬合，如果 epoch 次數(shù)過(guò)多，模型易產(chǎn)生過(guò)擬合。早停（Early Stopping）是解決 epoch 次數(shù)手動(dòng)設(shè)置的最簡(jiǎn)單、最普適改進(jìn)方法，能夠避免繼續(xù)訓(xùn)練模型導(dǎo)致準(zhǔn)確率下降的問(wèn)題，是一種遏制過(guò)擬合的正則化手段。該方法的原理是將部分訓(xùn)練集移除作為驗(yàn)證集使用，所有停止標(biāo)準(zhǔn)在驗(yàn)證集上測(cè)試而不是在訓(xùn)練集上測(cè)試如圖 2-5 所示。

西南交通大學(xué)碩士研究生學(xué)位論文第 17 早停法首先將數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集，在每一個(gè)訓(xùn)練周期結(jié)束后，用驗(yàn)證集當(dāng)前模型的性能，如果模型的性能優(yōu)于之前的最好模型，則保存當(dāng)前最優(yōu)模型，模型性能開(kāi)始下降，就可以終止當(dāng)前訓(xùn)練過(guò)程，最后將驗(yàn)證性能最優(yōu)模型最為最網(wǎng)絡(luò)模型。2.3.2 ReLu 函數(shù)近年來(lái)，在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，常常使用修正線性單元（Rectified Linear UneLU）作為神經(jīng)元的激活函數(shù)[69,70]，如圖 2-6 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于計(jì)數(shù)模型的Word Embedding算法[J]. 裴楠,王裴巖,張桂平.  沈陽(yáng)航空航天大學(xué)學(xué)報(bào). 2017(02)
[2]大規(guī)模軌跡數(shù)據(jù)的Geohash編碼組織及高效范圍查詢[J]. 向隆剛,王德浩,龔健雅.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(01)
[3]基于案例的城市道路行程時(shí)間預(yù)測(cè)[J]. 徐先瑞,彭仲仁.  交通運(yùn)輸系統(tǒng)工程與信息. 2016(04)
[4]深度學(xué)習(xí)在手寫(xiě)漢字識(shí)別中的應(yīng)用綜述[J]. 金連文,鐘卓耀,楊釗,楊維信,謝澤澄,孫俊.  自動(dòng)化學(xué)報(bào). 2016(08)
[5]基于GeoHash算法的周邊查詢應(yīng)用研究[J]. 趙雨琪,牟乃夏,祝帥兵,張昌景.  軟件導(dǎo)刊. 2016(06)
[6]出租車GPS軌跡大數(shù)據(jù)在智能交通中的應(yīng)用[J]. 張紅,王曉明,過(guò)秀成,曹潔,朱昶勝,郭義戎.  蘭州理工大學(xué)學(xué)報(bào). 2016(01)
[7]深度學(xué)習(xí)研究與進(jìn)展[J]. 孫志遠(yuǎn),魯成祥,史忠植,馬剛.  計(jì)算機(jī)科學(xué). 2016(02)
[8]基于word embedding和CNN的情感分類模型[J]. 蔡慧蘋(píng),王麗丹,段書(shū)凱.  計(jì)算機(jī)應(yīng)用研究. 2016(10)
[9]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(01)
[10]基于深度學(xué)習(xí)的微博情感分析[J]. 梁軍,柴玉梅,原慧斌,昝紅英,劉銘.  中文信息學(xué)報(bào). 2014(05)

博士論文
[1]面向空間數(shù)據(jù)復(fù)雜性特征的聚類分析方法研究[D]. 楊悅.哈爾濱工程大學(xué) 2008

碩士論文
[1]基于深度學(xué)習(xí)混合模型的文本分類研究[D]. 周超.蘭州大學(xué) 2016
[2]基于出租車GPS軌跡數(shù)據(jù)的實(shí)時(shí)交通狀態(tài)獲取和現(xiàn)有實(shí)時(shí)路況系統(tǒng)評(píng)估[D]. 楊婷婷.華東師范大學(xué) 2016
[3]基于GPS數(shù)據(jù)的城市出租車運(yùn)營(yíng)分析與數(shù)據(jù)挖掘[D]. 欒麗娜.山東大學(xué) 2015
[4]城市道路交通行程時(shí)間預(yù)測(cè)算法研究及軟件實(shí)現(xiàn)[D]. 張金金.北方工業(yè)大學(xué) 2014
[5]空間數(shù)據(jù)聚類分析算法研究及實(shí)現(xiàn)[D]. 劉生鑫.中國(guó)地質(zhì)大學(xué)（北京） 2011
[6]基于支持向量回歸機(jī)的路段平均速度短時(shí)預(yù)測(cè)方法研究[D]. 呂宏義.北京交通大學(xué) 2008
[7]基于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)的路段行程時(shí)間預(yù)測(cè)研究[D]. 朱耿先.重慶大學(xué) 2004



本文編號(hào)：2958344