基于时间序列的经典模型和LSTM模型的城市宏观行程速度预测研究

发布时间：2024-02-26 00:27

　　本文从宏观视角对城市道路交通的日均速度进行了预测推演研究。研究对象是集计的基于网约车大数据的城市宏观行程速度,该数据是北京市六环内的城市道路日均速度,宏观意义上具有较高的研究价值。目前在交通流预测领域有很多研究方法,但是综合来看,研究的重点都是局部的交通状态,缺乏对交通流宏观状态的研究。本文以城市宏观行程速度为研究基础,将其看作一个时间序列并进行分解,发现数据中存在着有趣的季节性特征和趋势特征,基于此推演分析出了影响城市宏观行程速度的外部因素。随后,本文引入了时间序列模型的不同算法来建立不同的宏观预测模型。一方面,在时间序列模型的经典算法中,本文详细地研究了自回归移动平均模型(Auto-Regressive Intergrated Moving Average,ARIMA),为提高模型的信息捕捉能力,创造性地将时间序列分解过程与动态回归模型相结合,提出了 STL-ARIMAX模型,该模型能够在捕捉数据中更多信息的同时,提高预测精度。另一方面,在时间序列模型的神经网络算法中,本文使用了深度学习中的长短时记忆神经网络模型(Long Short-Term Memory Network,LST...

【文章页数】：104 页

【学位级别】：硕士

【部分图文】：

图２－２?８８２个数据的时间图中车速大幅增加的时间点??Ｆｉｇｕｒｅ?２－２?Ｔｉｍｅ?ｐｏｉｎｔｓ?ｏｆ?ｉｎｃｒｅａｓｅｄ?ｓｐｅｅｄ?ｉｎ?ｔｉｍｅ?ｐｌｏｔ?ｏｆ?８８２?ｄａｔａ??

?２０１７－１－２７??曰期??图２－１?８８２个数据的时间图??Ｆｉｇｕｒｅ?２－１?Ｔｉｍｅ?ｐｌｏｔ?ｏｆ?８８２?ｄａｔａ??总体来看，这张时间曲线显示出了一些有趣的特征，在以下六个时间段全市??机动车平均运行速度大幅增加：??（１）?２０１４年１１月，北京召开ＡＰＥＣ会....

图2一城市宏观行程速度数据小提琴图

间序列ＳＴＬ分解??时间序列模式介绍??间序列可以表现出很多种模式，将一个时间序列分成几个部分对我们分列的特征是很有用的。时间序列可以分解为趋势（Ｔｒｅｎｄ）、季节性（Ｓｅａｓｏｎａｌ）、??ｙｃｌｅ）这三种模式。??趋势??据中显示出了长期的增长或减少时，这就是一种趋势特征，它....

图24数据STL分解结果

?数据特征及影响因素变量分析???（３）?经典分解方法假设季节性成分在每年都是重复的，对于一些较长的序列，??其季节性成分会随着时间的变化而变化，所以该假设并不普适。??（４）?时间序列中有一小部分周期的值可能由于外界的影响而出现异常，对于这??些异常值，经典方法无法很好地捕捉信....

图２－４中的第三排是时间序列的季节性组分，可以看出该时间序列具有很明显??的季节性，且季节性是以周为单位体现出来的

?２０１７－１－１８??日期??图２－５?２０１６年７月２０号北京强降雨天气导致的趋势下滑??Ｆｉｇｕｒｅ?２－５?Ｔｈｅ?ｄｏｗｎｗａｒｄ?ｔｒｅｎｄ?ｃａｕｓｅｄ?ｂｙ?ｔｈｅ?ｌａｒｇｅ?ｎｕｍｂｅｒ?ｏｆ?ｓｈａｒｅｄ?ｂｉｃｙｃｌｅｓ??图２－４中的第三排是时间序列的季....

本文编号：3911064