基于數(shù)據(jù)挖掘技術的交通流量分析與預測
發(fā)布時間：2020-12-13 03:47
在機動車數(shù)量不斷突破新高的大背景下,交通擁堵已成為制約社會發(fā)展的重大問題。如果能準確預測路網(wǎng)中各路口的交通流量,相關部門則可以制定更有針對性的疏導措施,從而全方位提升路網(wǎng)利用率,緩解交通擁堵問題。近些年,數(shù)據(jù)挖掘技術取得了重大進展,該技術與交通流量預測場景的結合令人憧憬。本文基于數(shù)據(jù)挖掘技術,對交通流量進行分析和預測。第一,以聚類技術為切入點,提出交通流量模式挖掘方法。綜合考慮輪廓系數(shù)、Calinski-Harabaz 指數(shù)和 Davies-Bouldin 指數(shù),利用 K-Means 和Agglomerative Clustering算法確定交通流量模式個數(shù),將交通流量模式分為單峰和雙峰兩種類型,驗證得出節(jié)假日與工作日分別對應不同的流量模式,并根據(jù)模式對數(shù)據(jù)集劃分,再進行預測。第二,對應不同的原始數(shù)據(jù),分別提出基于深度學習的流量預測模型。其一,在僅提供單監(jiān)測站信息時,傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡無法處理交通信息拼接后的無時序性。為了解決這一問題,本文提出Combined-Update Gate Recurrent Neural Network（CUGRNN）模型,利用多個循環(huán)神經(jīng)網(wǎng)絡提取交通信息的...
【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】：68 頁
【學位級別】：碩士
【部分圖文】：
圖３－２輪廓系數(shù)變化曲線??－－
２３４５６７８９??Ｋ?Ｖａｌｕｅ??圖３－２輪廓系數(shù)變化曲線??圖?３－２?給出了?Ｋ?從?２?到?９?變化時，Ｋ－Ｍｅａｎｓ?和?ＡｇｇｌｏｍｅｒａｔｉｖｅＣｌｕｓｔｅｒｉｎｇ?算法??下，交通流量平均輪廓系數(shù)的變化曲線。兩條曲線總體單調遞減，Ｋ�。矠檩喞�??系數(shù)判定的最優(yōu)值。圖３－３描繪了?Ｋ從２到５變化時，Ｋ－Ｍｅａｎｓ算法下每個樣本??具體的輪廓系數(shù)值，橫坐標表示每條樣本的輪廓系數(shù)值，縱坐標表示Ｋ個簇的??不同樣本，紅色虛線所對應的橫坐標代表平均輪廓系數(shù)，與圖３－２?—一對應。同??樣的，隨著Ｋ增大，盡管有些樣本點劃分更加準確，但輪廓系數(shù)整體仍在減小。??２５??
Ｋ?Ｖａｌｕｅ??圖３－４?Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｚ指數(shù)變化曲線??圖３－４畫出了?Ｃａｌｉｎｓｋｉ－Ｈａｍｂａｚ指數(shù)隨Ｋ值變化的曲線，兩種算法下曲線嚴??格單調遞減，Ｋ�。矠樽顑�(yōu)解，期望劃分兩種交通流量模式。??３．?Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?指數(shù)??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)同樣定義在聚類結果層面。思路是首先度量簇間相似度，??接著確定每個簇與其他簇劃分最模糊的情況，最終只考慮這些劃分最差的情況，??計算Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)。簇ａ和族６的相似度５ａｂ定義如下：??ｄａ?＋?ｄｈ??ｓａｂ＝十（３－１３）??ｄａｂ??其中ｄａ表示族ａ中所有樣本與簇ａ中心點的平均距離；ｄａ＆代表簇ａ和簇中心??點之間的距離。Ｓａｂ越大，說明簇ａ和簇６越相近，簇劃分可能出現(xiàn)問題；值越小，??兩個簇區(qū)別越大，劃分正確的可能性越大。在此基礎上，Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)定??義如下：??Ｋ??ＤＢ?＝－＾ｍａｘ（５Ｑｂ）ａ＾ｂ?（３－１４）??ａ＝ｌ??數(shù)值越小，整體劃分越好。如圖３－５所示，兩條Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)曲線大??體單調遞增，Ｋ�。矠樽顑�(yōu)。??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?Ｃｕｒｖｅ????Ｋ－Ｍｅａｎｓ??Ａｇｇｌｏｍｅｒａｔｉｖｅ?Ｃｌｕｓｔｅｒｉｎｇ?今??２．４．??５?２．２?？?廣???１?２－０＇?／??Ｓ１８＇?－?Ａ??１２?－Ｉ＿?
【參考文獻】：
期刊論文
[1]大城市緩解交通擁堵對策研究——以濟南市為例[J]. 劉達光. 科技經(jīng)濟導刊. 2018(12)
[2]城市快速路交通流特性分析[J]. 楊驍路,谷遠利,邢珊珊,莊廣新. 山東科學. 2016(03)
碩士論文
[1]基于深度學習的短時交通流量預測研究[D]. 喬松林.青島大學 2018
[2]短時交通流預測問題的研究[D]. 于東海.山東大學 2017
[3]面向短時交通流量預測的神經(jīng)網(wǎng)絡算法研究[D]. 林海濤.南京郵電大學 2016
[4]基于聚類分析的BP神經(jīng)網(wǎng)絡短時交通流預測方法研究[D]. 張瑋瑋.重慶郵電大學 2016
[5]基于聚類WNN-ARIMA的短時交通流預測研究與應用[D]. 郝曉濤.大連理工大學 2016
本文編號：2913836
【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】：68 頁
【學位級別】：碩士
【部分圖文】：
圖３－２輪廓系數(shù)變化曲線??－－
２３４５６７８９??Ｋ?Ｖａｌｕｅ??圖３－２輪廓系數(shù)變化曲線??圖?３－２?給出了?Ｋ?從?２?到?９?變化時，Ｋ－Ｍｅａｎｓ?和?ＡｇｇｌｏｍｅｒａｔｉｖｅＣｌｕｓｔｅｒｉｎｇ?算法??下，交通流量平均輪廓系數(shù)的變化曲線。兩條曲線總體單調遞減，Ｋ�。矠檩喞�??系數(shù)判定的最優(yōu)值。圖３－３描繪了?Ｋ從２到５變化時，Ｋ－Ｍｅａｎｓ算法下每個樣本??具體的輪廓系數(shù)值，橫坐標表示每條樣本的輪廓系數(shù)值，縱坐標表示Ｋ個簇的??不同樣本，紅色虛線所對應的橫坐標代表平均輪廓系數(shù)，與圖３－２?—一對應。同??樣的，隨著Ｋ增大，盡管有些樣本點劃分更加準確，但輪廓系數(shù)整體仍在減小。??２５??
Ｋ?Ｖａｌｕｅ??圖３－４?Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｚ指數(shù)變化曲線??圖３－４畫出了?Ｃａｌｉｎｓｋｉ－Ｈａｍｂａｚ指數(shù)隨Ｋ值變化的曲線，兩種算法下曲線嚴??格單調遞減，Ｋ�。矠樽顑�(yōu)解，期望劃分兩種交通流量模式。??３．?Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?指數(shù)??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)同樣定義在聚類結果層面。思路是首先度量簇間相似度，??接著確定每個簇與其他簇劃分最模糊的情況，最終只考慮這些劃分最差的情況，??計算Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)。簇ａ和族６的相似度５ａｂ定義如下：??ｄａ?＋?ｄｈ??ｓａｂ＝十（３－１３）??ｄａｂ??其中ｄａ表示族ａ中所有樣本與簇ａ中心點的平均距離；ｄａ＆代表簇ａ和簇中心??點之間的距離。Ｓａｂ越大，說明簇ａ和簇６越相近，簇劃分可能出現(xiàn)問題；值越小，??兩個簇區(qū)別越大，劃分正確的可能性越大。在此基礎上，Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)定??義如下：??Ｋ??ＤＢ?＝－＾ｍａｘ（５Ｑｂ）ａ＾ｂ?（３－１４）??ａ＝ｌ??數(shù)值越小，整體劃分越好。如圖３－５所示，兩條Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ指數(shù)曲線大??體單調遞增，Ｋ�。矠樽顑�(yōu)。??Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ?Ｃｕｒｖｅ????Ｋ－Ｍｅａｎｓ??Ａｇｇｌｏｍｅｒａｔｉｖｅ?Ｃｌｕｓｔｅｒｉｎｇ?今??２．４．??５?２．２?？?廣???１?２－０＇?／??Ｓ１８＇?－?Ａ??１２?－Ｉ＿?
【參考文獻】：
期刊論文
[1]大城市緩解交通擁堵對策研究——以濟南市為例[J]. 劉達光. 科技經(jīng)濟導刊. 2018(12)
[2]城市快速路交通流特性分析[J]. 楊驍路,谷遠利,邢珊珊,莊廣新. 山東科學. 2016(03)
碩士論文
[1]基于深度學習的短時交通流量預測研究[D]. 喬松林.青島大學 2018
[2]短時交通流預測問題的研究[D]. 于東海.山東大學 2017
[3]面向短時交通流量預測的神經(jīng)網(wǎng)絡算法研究[D]. 林海濤.南京郵電大學 2016
[4]基于聚類分析的BP神經(jīng)網(wǎng)絡短時交通流預測方法研究[D]. 張瑋瑋.重慶郵電大學 2016
[5]基于聚類WNN-ARIMA的短時交通流預測研究與應用[D]. 郝曉濤.大連理工大學 2016
本文編號：2913836
本文鏈接：http://lk138.cn/kejilunwen/daoluqiaoliang/2913836.html
