城市交通流量短時(shí)預(yù)測(cè)是智慧交通發(fā)展中的重要一步。本文基于北京市出租車GPS軌跡數(shù)據(jù),對(duì)城市交通流進(jìn)行了時(shí)空特性分析,利用深度神經(jīng)網(wǎng)絡(luò)建立了兩種短時(shí)交通流時(shí)空預(yù)測(cè)模型,主要研究內(nèi)容包括:(1)城市交通流時(shí)空特性分析。時(shí)間層面,按分鐘和日粒度進(jìn)行交通流量統(tǒng)計(jì)和Pearson相關(guān)系數(shù)分析。發(fā)現(xiàn)城市交通流在時(shí)間上具有臨近性、周期性和趨勢(shì)變動(dòng)性,且工作日和非工作日具有顯著的差異。每天的交通流量變化從細(xì)節(jié)上看,高平峰時(shí)段不完全固定,且幅值也不同�？臻g層面,從微觀上,對(duì)道路的交通流量進(jìn)行了空間自相關(guān)分析,發(fā)現(xiàn)隨著道路間行駛距離的增加,道路交通流量的空間自相關(guān)性也隨之減弱。宏觀上,利用OD數(shù)據(jù)和POI數(shù)據(jù)進(jìn)行核密度分析,發(fā)現(xiàn)不同的時(shí)段下交通流的演化規(guī)律。(2)短時(shí)交通流預(yù)測(cè)模型兩種思路闡述。從是否考慮城市路網(wǎng)拓?fù)浣Y(jié)構(gòu)的角度出發(fā),結(jié)合城市交通流時(shí)空特性設(shè)計(jì)了兩種預(yù)測(cè)模型�；诰W(wǎng)格劃分的城市區(qū)域短時(shí)交通流量時(shí)空預(yù)測(cè)模型從交流流量統(tǒng)計(jì)和道路空間關(guān)系處理的簡單性出發(fā),不考慮城市路網(wǎng)的拓?fù)浣Y(jié)構(gòu)。受城市網(wǎng)格管理的啟發(fā),將研究區(qū)域切分成多個(gè)規(guī)則網(wǎng)格并提出了一種基于注意力機(jī)制的CNN-LSTM時(shí)空預(yù)測(cè)模型。模型由空間組...

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1技術(shù)路線圖

第1章緒論8圖1-1技術(shù)路線圖Fig1-1Technologyroadmap1.3.2論文組織結(jié)構(gòu)本文共分為五章，具體章節(jié)安排如下：第一章，緒論。介紹了本文研究背景與意義，然后分析了交通流預(yù)測(cè)的國內(nèi)外研究現(xiàn)狀，包括整體的發(fā)展歷程、各個(gè)發(fā)展時(shí)期的代表性研究。再次，對(duì)本文所涉及深度學(xué)....

圖2-5RNN與LSTM對(duì)比

第2章相關(guān)技術(shù)理論14（a）前饋神經(jīng)網(wǎng)絡(luò)（b）循環(huán)神經(jīng)網(wǎng)絡(luò)圖2-4前饋神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)比Fig2-4Comparisonbetweenfeedforwardneuralnetworkandcyclicneuralnetwork如圖2-4（b）所示，一個(gè)單層RNN結(jié)構(gòu)的隱層....

圖2-6GRU內(nèi)部結(jié)構(gòu)

中國石油大學(xué)（華東）工程碩士學(xué)位論文15=([1,]+)(2-13)=tanh([1,]+)(2-14)（3）然后，對(duì)細(xì)胞狀態(tài)進(jìn)行更新，形成新的記憶信息。通過上一時(shí)間步的狀態(tài)1與遺忘門相乘，遺忘先前決定遺忘的信息，輸入門乘以候選狀態(tài)向量，保留想要的信息，兩者相加，得到新的細(xì)胞狀態(tài)....

圖3-1北京市GPS軌跡數(shù)據(jù)說明Fig3-1DescriptionofBeijingGPStrackdata

中國石油大學(xué)（華東）工程碩士學(xué)位論文17第三章城市交通流時(shí)空特性分析城市交通是一個(gè)隨時(shí)間變化的復(fù)雜系統(tǒng)，交通流是車輛在道路中行駛隨時(shí)間推移形成的車流。城市交通流是一種典型的時(shí)空數(shù)據(jù)，從時(shí)間上看，城市交通狀態(tài)隨時(shí)間變化呈現(xiàn)出一定的相關(guān)性和時(shí)變性；從空間上看，因城市交通流自由度較大，....

本文編號(hào)：4005660