發(fā)布時間：2021-05-11 09:21

　　交通預測問題是共享車輛的按需出行（mobility on demand,簡稱MoD）系統(tǒng)中基礎問題之一,是保證共享車輛按需出行系統(tǒng)的平穩(wěn)運行,解決由于交通路網(wǎng)內(nèi)車輛數(shù)量的急劇增加所帶來的居民的生活質(zhì)量問題以及社會的城市化建設問題的前提。近年來,基于深度學習的數(shù)據(jù)建模算法因其強大的數(shù)據(jù)表征能力得到廣大學者的青睞,其廣泛應用為解決交通預測問題提供了新的思路。然而,基于深度學習的算法在交通預測領域仍存在以下局限性:長短期記憶循環(huán)神經(jīng)網(wǎng)絡雖然能夠充分提取序列數(shù)據(jù)在時間維度上的依賴關系,但是該方法難以對交通數(shù)據(jù)內(nèi)部空間相關性進行建模。此外,卷積神經(jīng)網(wǎng)絡雖然能夠充分提取數(shù)據(jù)空間依賴關系,但是由于其對數(shù)據(jù)采樣固定在幾何區(qū)域范圍內(nèi),導致卷積神經(jīng)網(wǎng)絡在對交通數(shù)據(jù)空間依賴關系建模時特征提取不夠充分。為了克服上述局限性,本文針對長短期記憶循環(huán)神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡進行擴展,并結(jié)合圖注意力機制等深度學習技術,解決交通預測問題中的出行需求預測和交通流預測問題。本論文的主要研究內(nèi)容和研究成果如下:1.提出了以改進的長短期記憶循環(huán)神經(jīng)網(wǎng)絡為核心的出行需求預測模型。為了提升對出行需求數(shù)據(jù)的時空依賴關系的建模能力,該模... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀
        1.2.1 交通流預測
        1.2.2 出行需求預測
        1.2.3 深度學習
    1.3 研究的難點與挑戰(zhàn)
        1.3.1 空間相關性提取
        1.3.2 時間相關性提取
    1.4 本文的主要工作
2 短期交通預測基礎知識
    2.1 概述
    2.2 短期交通預測基本理論
        2.2.1 基本參數(shù)
        2.2.2 外部影響因素
        2.2.3 特性分析
    2.3 短期交通預測的常用方法
        2.3.1 基于統(tǒng)計的方法
        2.3.2 基于傳統(tǒng)機器學習的方法
        2.3.3 基于深度學習的方法
    2.4 數(shù)據(jù)預處理
        2.4.1 交通網(wǎng)絡劃分
        2.4.2 數(shù)據(jù)清洗
        2.4.3 數(shù)據(jù)標準化
    2.5 本章小結(jié)
3 基于CE-LSTM的出行需求預測算法
    3.1 概述
    3.2 基于CE-LSTM的殘差時空預測模型
        3.2.1 CE-LSTM模塊簡介
        3.2.2 SCE模塊簡介
        3.2.3 STDA模塊簡介
        3.2.4 殘差連接與預測問題重定義
    3.3 實驗環(huán)境設置
        3.3.1 數(shù)據(jù)集描述
        3.3.2 評價指標
        3.3.3 基線方法
    3.4 實驗驗證與分析
        3.4.1 輸入數(shù)據(jù)描述
        3.4.2 模型參數(shù)設計
        3.4.3 預測指標對比分析
        3.4.4 實驗結(jié)果展示
    3.5 本章小結(jié)
4 基于時間卷積和特征增強模塊的出行需求預測算法
    4.1 概述
    4.2 基于特征增強模塊的時間卷積模型
        4.2.1 時間卷積模型
        4.2.2 特征增強模塊
        4.2.3 模型結(jié)構
    4.3 實驗環(huán)境設置
        4.3.1 數(shù)據(jù)集描述
        4.3.2 評價指標
        4.3.3 基線方法
    4.4 實驗驗證分析
        4.4.1 輸入數(shù)據(jù)描述
        4.4.2 數(shù)據(jù)相關性驗證與模型參數(shù)設計
        4.4.3 預測指標對比分析
        4.4.4 實驗結(jié)果
    4.5 本章小結(jié)
5 基于時空圖注意力機制的交通流預測算法
    5.1 概述
    5.2 時空圖注意力模型
        5.2.1 問題描述
        5.2.2 圖注意力模型
        5.2.3 時空圖注意力機制
        5.2.4 時空圖注意力LSTM
    5.3 實驗環(huán)境設置
        5.3.1 數(shù)據(jù)集描述
        5.3.2 評價指標
        5.3.3 基線方法與其參數(shù)設計
    5.4 實驗驗證分析
        5.4.1 輸入數(shù)據(jù)描述
        5.4.2 模型參數(shù)設計
        5.4.3 預測指標對比分析
        5.4.4 實驗結(jié)果
    5.5 本章小結(jié)
6 結(jié)論
    6.1 研究內(nèi)容與研究成果
    6.2 工作展望
參考文獻
致謝
作者簡歷及攻讀碩士學位期間的科研成果


【參考文獻】：
期刊論文
[1]出行預測方法從出行模型到行為模型的變革[J]. 易漢文.  城市交通. 2007(01)



本文編號：3181162