城市道路短时交通流预测方法研究
发布时间：2023-03-09 20:31
由于经济水平快速提高和城市化进程不断加快,我国私家车保有量不断上升,交通拥堵成为大中城市交通常态。随着科学技术的不断发展,智能交通系统的研究与应用成为了应对城市交通问题、缓解交通拥堵、保障交通安全的重要方式和手段。城市道路短时交通流预测作为智能交通系统研究中重要组成部分广受关注和研究,基于数据驱动的城市短时交通流预测方法和模型成为重要的研究方向。本文旨在基于深度学习和机器学习构建城市道路短时交通流预测模型,为实时精细化交通管理与控制提供支持。首先,本文对交通流预测方法进行了分类,明确了交通流预测问题的定义。针对交通流数据异常和缺失问题,提出了 3σ准则交通流异常检测方法,总结了交通流数据补全的三种方法:基于统计学的方法、基于插值的方法和基于算法预测的方法,并使用基于软阈值奇异值分解的Soft-Impute进行了数据补全。以实际交通流数据集分析了交通流的时间相关性、空间相关性和不确定性,明确了交通流预测的本质是复杂的动态时空序列预测问题。其次,本文总结了基于深度学习的时间和空间特征提取方法,分析了注意力机制在交通流预测中的有效性,提出了引入注意力机制的混合时空图卷积网络(Attentio...
【文章页数】：95 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 国内外研究现状综述
1.2.1 国内外研究现状
1.2.2 现状研究不足
1.3 研究内容与章节安排
1.3.1 研究内容
1.3.2 章节安排
1.4 技术路线
1.5 本章小结
第二章 交通流预测相关理论与交通流数据分析
2.1 交通流参数介绍
2.2 交通流预测分类与定义
2.2.1 交通流预测分类
2.2.2 生产环境中交通流预测方式
2.2.3 交通流预测问题定义
2.3 交通流数据预处理
2.3.1 交通流数据集介绍
2.3.2 潜在异常值检测
2.3.3 缺失值处理
2.3.4 数据归一化
2.4 交通流特性分析
2.4.1 时间相关性
2.4.2 空间相关性
2.4.3 不确定性
2.5 本章小结
第三章 基于深度学习的城市网络短时交通流时空预测方法
3.1 交通流时间特征提取方法
3.1.1 循环神经网络
3.1.2 时间卷积网络
3.1.3 软注意力机制
3.2 交通流空间特征提取方法
3.2.1 谱域图卷积网络
3.2.2 空域图卷积网络
3.2.3 图注意力网络
3.2.4 时空图卷积网络交通流预测模型构建
3.3 实验过程与结果分析
3.3.1 实验环境与实验思路
3.3.2 数据集划分与模型输入输出设置
3.3.3 时间特征提取方法对比分析
3.3.4 空间特征提取方法对比分析
3.3.5 注意力机制有效性分析
3.4 引入注意力机制的时空图卷积网络交通流预测模型
3.4.1 模型结构
3.4.2 模型超参数分析
3.4.3 模型预测与结果分析
3.5 本章小结
第四章 基于机器学习的城市道路短时交通流在线预测方法
4.1 交通流在线预测理论
4.1.1 在线学习与离线学习
4.1.2 增量学习与减量学习
4.1.3 概念漂移
4.2 基于机器学习的交通流在线预测方法
4.2.1 随机梯度下降法
4.2.2 在线被动攻击算法
4.2.3 数据流树模型
4.3 基于梯度提升决策树的交通流离线预测方法
4.3.1 梯度提升决策树
4.3.2 极限梯度提升
4.3.3 轻量梯度提升机
4.4 实验过程与结果分析
4.4.1 实验环境与模型输入输出设置
4.4.2 AHSTGCN模型在线预测分析
4.4.3 PA算法在线预测分析
4.4.4 HTR算法在线预测分析
4.4.5 GBDT离线预测分析
4.5 短时交通流预测组合模型
4.5.1 集成学习
4.5.2 短时交通流预测组合模型结构
4.5.3 模型组合策略分析
4.5.4 模型预测与结果分析
4.5.5 生产环境中交通流实时预测模型
4.6 本章小结
第五章 结论与展望
5.1 研究工作总结
5.2 研究创新点
5.3 研究展望
致谢
参考文献
作者简介
本文编号：3758246
【文章页数】：95 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 国内外研究现状综述
1.2.1 国内外研究现状
1.2.2 现状研究不足
1.3 研究内容与章节安排
1.3.1 研究内容
1.3.2 章节安排
1.4 技术路线
1.5 本章小结
第二章 交通流预测相关理论与交通流数据分析
2.1 交通流参数介绍
2.2 交通流预测分类与定义
2.2.1 交通流预测分类
2.2.2 生产环境中交通流预测方式
2.2.3 交通流预测问题定义
2.3 交通流数据预处理
2.3.1 交通流数据集介绍
2.3.2 潜在异常值检测
2.3.3 缺失值处理
2.3.4 数据归一化
2.4 交通流特性分析
2.4.1 时间相关性
2.4.2 空间相关性
2.4.3 不确定性
2.5 本章小结
第三章 基于深度学习的城市网络短时交通流时空预测方法
3.1 交通流时间特征提取方法
3.1.1 循环神经网络
3.1.2 时间卷积网络
3.1.3 软注意力机制
3.2 交通流空间特征提取方法
3.2.1 谱域图卷积网络
3.2.2 空域图卷积网络
3.2.3 图注意力网络
3.2.4 时空图卷积网络交通流预测模型构建
3.3 实验过程与结果分析
3.3.1 实验环境与实验思路
3.3.2 数据集划分与模型输入输出设置
3.3.3 时间特征提取方法对比分析
3.3.4 空间特征提取方法对比分析
3.3.5 注意力机制有效性分析
3.4 引入注意力机制的时空图卷积网络交通流预测模型
3.4.1 模型结构
3.4.2 模型超参数分析
3.4.3 模型预测与结果分析
3.5 本章小结
第四章 基于机器学习的城市道路短时交通流在线预测方法
4.1 交通流在线预测理论
4.1.1 在线学习与离线学习
4.1.2 增量学习与减量学习
4.1.3 概念漂移
4.2 基于机器学习的交通流在线预测方法
4.2.1 随机梯度下降法
4.2.2 在线被动攻击算法
4.2.3 数据流树模型
4.3 基于梯度提升决策树的交通流离线预测方法
4.3.1 梯度提升决策树
4.3.2 极限梯度提升
4.3.3 轻量梯度提升机
4.4 实验过程与结果分析
4.4.1 实验环境与模型输入输出设置
4.4.2 AHSTGCN模型在线预测分析
4.4.3 PA算法在线预测分析
4.4.4 HTR算法在线预测分析
4.4.5 GBDT离线预测分析
4.5 短时交通流预测组合模型
4.5.1 集成学习
4.5.2 短时交通流预测组合模型结构
4.5.3 模型组合策略分析
4.5.4 模型预测与结果分析
4.5.5 生产环境中交通流实时预测模型
4.6 本章小结
第五章 结论与展望
5.1 研究工作总结
5.2 研究创新点
5.3 研究展望
致谢
参考文献
作者简介
本文编号：3758246
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3758246.html
