在城市化發(fā)展水平不斷提高的背景下,人們出行需求增加促使城市機(jī)動(dòng)車保有量逐年攀升,進(jìn)而給城市交通系統(tǒng)帶來交通擁堵等一系列問題。智能交通系統(tǒng)作為緩解這些問題的關(guān)鍵已經(jīng)得到了廣泛的應(yīng)用。近年來,隨著交通信息技術(shù)的發(fā)展,智能交通也迫切需要改善其相關(guān)技術(shù)推進(jìn)交通智能化。交通流預(yù)測(cè)作為智能交通系統(tǒng)中的基礎(chǔ)技術(shù)可以提供實(shí)時(shí)、動(dòng)態(tài)的誘導(dǎo)信息用于制定交通管理與誘導(dǎo)措施。因此,對(duì)城市道路進(jìn)行短時(shí)交通流預(yù)測(cè)在緩解交通擁堵、提高城市路網(wǎng)通行能力上具有重要的意義。本研究以實(shí)際數(shù)據(jù)為基礎(chǔ),結(jié)合交通流特性,提出了一種多尺度下粒子群優(yōu)化深度置信網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型,提高了短時(shí)交通流預(yù)測(cè)的準(zhǔn)確度。首先,確定選題背景與意義,簡(jiǎn)要概述了有關(guān)短時(shí)交通流的基本知識(shí),分析了深度學(xué)習(xí)的研究現(xiàn)狀,進(jìn)而給出本文的主要研究?jī)?nèi)容及技術(shù)路線。介紹了包括小波分析、深度置信網(wǎng)絡(luò)和粒子群算法在內(nèi)的相關(guān)基本知識(shí)和理論基礎(chǔ)。詳述了上述模型和算法的模型原理,并對(duì)相關(guān)參數(shù)做了分析工作。其次,在理論知識(shí)的基礎(chǔ)上建立基于深度置信網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型,給出模型的建立框架和預(yù)測(cè)流程,并分析了該模型的相關(guān)參數(shù);在分析深度置信網(wǎng)絡(luò)相關(guān)參數(shù)的條件下,提出用粒子...

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 選題背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 短時(shí)交通流基本概述
        1.2.2 短時(shí)交通流預(yù)測(cè)研究綜述
        1.2.3 深度學(xué)習(xí)方法研究現(xiàn)狀
    1.3 研究?jī)?nèi)容及技術(shù)路線
2 基本理論概述
    2.1 小波分析理論
        2.1.1 小波變換原理
        2.1.2 小波函數(shù)及分解層數(shù)的選擇
        2.1.3 多尺度小波分析
    2.2 深度置信網(wǎng)絡(luò)
        2.2.1 深度學(xué)習(xí)概述
        2.2.2 常用深度學(xué)習(xí)模型
        2.2.3 深度置信網(wǎng)絡(luò)基本原理
        2.2.4 深度學(xué)習(xí)常用優(yōu)化算法
    2.3 粒子群算法
        2.3.1 群智能概述
        2.3.2 粒子群算法原理
        2.3.3 粒子群算法模型分析
        2.3.4 粒子群算法參數(shù)分析
    2.4 本章小結(jié)
3 基于W-PSO-DBN的短時(shí)交通流預(yù)測(cè)模型
    3.1 基于DBN的短時(shí)交通流預(yù)測(cè)模型
        3.1.1 BP神經(jīng)網(wǎng)絡(luò)微調(diào)
        3.1.2 深度置信網(wǎng)絡(luò)預(yù)測(cè)模型框架
        3.1.3 基于DBN的短時(shí)交通流預(yù)測(cè)模型流程
        3.1.4 深度置信網(wǎng)絡(luò)模型影響參數(shù)
    3.2 基于PSO-DBN的短時(shí)交通流預(yù)測(cè)模型
        3.2.1 PSO算法實(shí)現(xiàn)步驟
        3.2.2 PSO-DBN短時(shí)交通流預(yù)測(cè)模型設(shè)計(jì)思路
        3.2.3 PSO-DBN短時(shí)交通流預(yù)測(cè)模型實(shí)現(xiàn)步驟
    3.3 基于W-PSO-DBN的短時(shí)交通流預(yù)測(cè)模型
        3.3.1 深度信念網(wǎng)絡(luò)的可塑性
        3.3.2 W-PSO-DBN短時(shí)交通流預(yù)測(cè)模型的建立
        3.3.3 W-PSO-DBN短時(shí)交通流預(yù)測(cè)模型流程
    3.4 本章小結(jié)
4 模型實(shí)例驗(yàn)證分析
    4.1 數(shù)據(jù)分析
        4.1.1 交通流數(shù)據(jù)來源
        4.1.2 交通流特性
        4.1.3 交通流數(shù)據(jù)分析
        4.1.4 交通流數(shù)據(jù)處理
    4.2 模型性能評(píng)價(jià)指標(biāo)
        4.2.1 模型性能評(píng)價(jià)指標(biāo)
        4.2.2 預(yù)測(cè)誤差產(chǎn)生原因分析
    4.3 不同模型實(shí)例驗(yàn)證
        4.3.1 DBN模型預(yù)測(cè)分析
        4.3.2 PSO-DBN模型預(yù)測(cè)分析
        4.3.3 W-PSO-DBN模型預(yù)測(cè)分析
        4.3.4 預(yù)測(cè)結(jié)果對(duì)比分析
    4.4 不同數(shù)據(jù)下模型實(shí)例驗(yàn)證分析
        4.4.1 工作日數(shù)據(jù)模型預(yù)測(cè)對(duì)比分析
        4.4.2 非工作日數(shù)據(jù)模型預(yù)測(cè)對(duì)比分析
        4.4.3 高峰小時(shí)數(shù)據(jù)模型預(yù)測(cè)對(duì)比分析
    4.5 本章小結(jié)
5 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3943883