發(fā)布時間：2020-11-17 12:18

　　 隨著汽車逐漸成為主要的交通運輸工具,城市交通擁堵問題日益嚴重。為了改善交通狀況,智能交通系統(tǒng)(ITS)的作用越來越受到重視。在此系統(tǒng)中,準確實時的短時交通流預測能夠作為車流引導的重要依據(jù)。因此,尋找合適的方法預測短時間后的交通流變化情況成為了研究熱點。多年來許多方法都被嘗試應用于交通流預測領域,其中大部分的方法都是基于單一的模型,并且只根據(jù)某一觀測結點的歷史交通流觀測值,預測該觀測結點下一時刻的交通流變化。然而,交通流是一種具有非線性、隨機性、空間關聯(lián)性的數(shù)據(jù),包含多種組成成分,這使得單一模型和忽視時空信息的方法預測效果存在瓶頸。針對這兩個問題,本文提出了基于多模型長短時記憶遞歸神經網(wǎng)絡(Long Short-Term Memory Recurrent Neural Networks,LSTM)和基于時空關聯(lián)長短時記憶遞歸神經網(wǎng)絡的兩種短時交通流預測方法。多模型LSTM的基本思想是對交通流數(shù)據(jù)做適當?shù)姆诸?再根據(jù)不同類別數(shù)據(jù)建立對應的預測子模型。通過對每個交通流量數(shù)據(jù)樣本提取一個特征,用于進行K-Means聚類,使數(shù)據(jù)樣本自適應的分為具有不同變化趨勢的兩類,再針對這兩類數(shù)據(jù)樣本訓練出對應的LSTM預測子模型。同時,還需要用這兩類數(shù)據(jù)訓練出一個K近鄰算法構成的分類器,以滿足實際應用場景中對交通流進行實時在線預測的需求。時空關聯(lián)LSTM則是利用了待預測結點與其上游和下游若干觀測結點的空間關聯(lián)關系,將所有結點觀測到的交通流量數(shù)據(jù)作為輸入樣本。在每一時刻都需要求待預測結點的樣本與其他觀測結點樣本的相關系數(shù),并以此作為LSTM輸入層的權重系數(shù)。這一模型訓練方式不僅能夠實時自適應的調整不同觀測結點對于待預測結點的影響權重,還能使我們觀察出交通路網(wǎng)中哪些結點更具重要性。本文以美國加州道路性能評估系統(tǒng)采集的交通流量作為實驗數(shù)據(jù),以平均絕對百分比誤差和均方根誤差作為評價標準,對比多種主流預測模型與本文所提出兩種模型的預測準確率。實驗表明,本文的兩種預測模型都具有更好的預測效果,并且將兩種模型進行融合還能進一步提升預測準確率。
【學位單位】：華南理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U491.14;TP183
【部分圖文】：

第一章 緒論第一章 緒論 研究背景隨著世界經濟的發(fā)展，汽車已不再是人民群眾消費不起的奢侈品，而是逐漸成的交通運輸工具、出行代步工具之一。在我國，這種現(xiàn)象尤為明顯。自 2010我國的汽車保有量便一直處于快速增長階段，于 2017 年突破 2 億輛，占到了保有量的 20%（圖 1-1）[1]。截至 2018 年底，全國已有 61 個城市汽車保有量輛，小型載客汽車是保有量增長的主力[2]�？梢�，汽車已經成為人民在上班、常生活中越來越不可或缺的交通工具。

切分為許多個如11,,,tt t N x x x形式的樣本。在訓練階段t 1x 就是對應樣本的標簽，而在測試階段 就是模型的預測目標。第三步就是關鍵的預測模型建立，通過擬合交通流數(shù)據(jù)的變化規(guī)律，針對交通流變化的某些特性，運用適當?shù)姆椒ㄟM行建模。為了能夠在實際應用場景中使用，短時交通流預測模型一般需要具備以下特性[20]：1）精確性，預測結果準確對每個領域來說自然都是首要的要求，這樣才能作為引導交通的依據(jù)。2）實時性，也稱為在線預測，由于短時交通流的預測結果是實時應用于智能交通系統(tǒng)中控制交通狀況的，所以模型必須能利用實時觀測到的交通流數(shù)據(jù)進行預測，本文提出的方法對這一點有專門的解決方案。3）可移植性，也可以說是模型的一種泛化能力，就是模型訓練完成后，換一個路段的交通流數(shù)據(jù)也能擁有較好的預測效果，這對于擁有無數(shù)觀測結點復雜龐大的道路交通網(wǎng)絡來說也十分重要。最后一步自然是利用訓練完成的模型，對交通流進行實時在線的預測，得到以某一特征參數(shù)表示的交通流預測值。

華南理工大學碩士學位論文在 2015 年 1 月 1 日到 2015 年 12 月 30 日全年共計 52 周的歷史交通流量數(shù)據(jù)，其數(shù)據(jù)統(tǒng)計的時間間隔為 5 分鐘。因為交通流量能夠較直觀的反應道路交通的變化情況，所以本文選擇了這一特征參數(shù)。對于每個觀測結點，都會有多個車道的交通流量統(tǒng)計信息，在本文中只取其匯總后的流量數(shù)據(jù)。同時我們還從該系統(tǒng)上獲取了這 31 個觀測結點沿線的高速路交匯和上下高速路口分布等信息，運用到了本文對時空信息融合的預測方法研究當中。
【參考文獻】

相關期刊論文 前1條

1 梁軻;譚建軍;李英遠;;一種基于MapReduce的短時交通流預測方法[J];計算機工程;2015年01期

本文編號：2887489