資源描述：
《基于深度學(xué)習(xí)的路網(wǎng)短時交通流預(yù)測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、分類號:U49110710-2013124007碩士學(xué)位論文基于深度學(xué)習(xí)的路網(wǎng)短時交通流預(yù)測焦琴琴導(dǎo)師姓名職稱羅向龍副教授申請學(xué)位類別工學(xué)碩士學(xué)科專業(yè)名稱信息與通信工程論文提交日期2016年4月28日論文答辯日期2016年6月16日學(xué)位授予單位長安大學(xué)ShortTermTrafficFlowPredictionofRoadNetworkBasedonDeepLearningAThesisSubmittedfortheDegreeofMasterCandidate：JiaoQinqinSupervisor：AssociateProf.LuoXianglo
2、ngChang’anUniversity,Xi’an,China摘要為解決日益嚴(yán)重的交通擁堵問題，智能交通系統(tǒng)被廣泛應(yīng)用于動態(tài)交通管理當(dāng)中，有效緩解了交通擁堵、提高了道路通行效率。隨著交通數(shù)據(jù)采集技術(shù)的不斷發(fā)展，及時獲取路網(wǎng)中實時的交通數(shù)據(jù)已成為可能，大量的交通信息為路網(wǎng)交通狀態(tài)的分析和預(yù)測研究提供了數(shù)據(jù)保障。交通流預(yù)測在智能化交通管理和動態(tài)控制中占有重要地位，是實現(xiàn)交通誘導(dǎo)的前提，實時、準(zhǔn)確的路網(wǎng)短時交通流預(yù)測有助于更好的分析路網(wǎng)交通狀況，對路網(wǎng)交通規(guī)劃和交通優(yōu)化控制有非常重要的作用。針對大型的交通網(wǎng)絡(luò)，傳統(tǒng)的單個路段的交通流預(yù)測不能完全反映實時的路
3、網(wǎng)交通狀況，本文針對現(xiàn)有短時交通流預(yù)測方法的不足，提出了一種基于深度學(xué)習(xí)的路網(wǎng)短時交通流預(yù)測方法。首先對交通流數(shù)據(jù)的時空特性進(jìn)行分析，根據(jù)交通流的時間特性將數(shù)據(jù)分為周末和非周末兩類，根據(jù)交通流在空間上的相關(guān)性，通過設(shè)定不同的相關(guān)系數(shù)閾值對路段進(jìn)行分組；其次，應(yīng)用譜分解的方法將交通流數(shù)據(jù)分為趨勢項和隨機(jī)波動項；再次，對路網(wǎng)交通流矩陣進(jìn)行CX分解，應(yīng)用路段之間的相關(guān)性構(gòu)造路網(wǎng)壓縮矩陣；然后，采用深度學(xué)習(xí)中的深度信念網(wǎng)絡(luò)模型結(jié)合支持向量回歸建立DBN-SVR短時交通流預(yù)測模型；最后，以美國交通研究數(shù)據(jù)實驗室提供的實際高速公路的區(qū)域路網(wǎng)交通流量數(shù)據(jù)驗證了方法的
4、可行性。通過實驗仿真分析得出:（1）趨勢項信號可以影響預(yù)測的精度，設(shè)置最優(yōu)的頻譜閾值去除趨勢項能夠使得預(yù)測誤差減少5%；（2）壓縮后的路網(wǎng)預(yù)測運行時間明顯減少，節(jié)約時間90%；（3）本文提出的預(yù)測模型在預(yù)測精度上優(yōu)于其他預(yù)測模型，預(yù)測誤差比SVR模型減少8%，路網(wǎng)中各個路段的平均預(yù)測精度可以達(dá)到92%。關(guān)鍵詞:交通流預(yù)測,深度學(xué)習(xí),路網(wǎng),DBN,支持向量回歸iAbstractInordertosolvetheincreasinglyserioustrafficcongestionproblems,IntelligentTransportationSys
5、temshasbeenwidelyusedtoalleviatethetrafficjamsandimprovetheroadtrafficefficiencyindynamictrafficmanagement.Timelyacquiringthereal-timetrafficdataintheroadnetworkcanberealizedwiththedevelopmentoftrafficdatacollectiontechnology.Alargeamountoftrafficinformationprovidesthedataforana
6、lysisandpredictionofthetrafficstateintheroadnetwork.Trafficflowforecastingplaysanimportantroleinintelligenttrafficmanagementanddynamiccontrol,anditisthekeytotrafficguidance.Real-timeandaccurateshort-termtrafficflowpredictionofroadnetworkcontributestoanalyzetrafficcondition,andpl
7、aysanessentiallyimportantroleinroadnetworktransportationsplanninganddesigningefficientcontrolstrategies.Forlargetrafficnetwork,traditionalsinglesectiontrafficflowpredictioncannotfullyindicatethereal-timetrafficcondition.Aimingattheshortcomingsofcurrentshort-termtrafficflowpredic
8、tionmethods,thispaperproposesaforecastingmethod
