深度异步残差网络及在路网交通流预测中的应用

发布时间：2024-04-02 07:02

　　智能交通系统(ITS)的建设,推动了交通大数据的发展,交通流预测问题中,适合大型数据集的深度学习方法不断受到关注。深度学习使用大量参数进行非线性高复杂度的函数近似,这使得深度学习非常适合处理复杂的交通流问题,一些深度学习的模型已经在道路交通流预测问题中得到了非常好的预测结果。但是路网交通流预测方面研究较少。目前的路网交通流预测的深度学习架构大体上包含集中式建模(Centralized Modeling)与分散式建模(Decentralized Modeling)两种,前者预测准确度不能充分体现深度学习算法的能力与大数据集的驱动力,后者方法结构简单、预测准确,但是极高的参数量使其难以实际应用在大型路网交通流预测中。本文首先进行了交通流预测的深度学习模型比较,对MLP、SAE、SimpleRNN、LSTM、GRU5种单元进行了建模、训练以及模型评估,其中得到了 LSTM与GRU的预测水平最好,模型收敛性明显高于其他方法的结论。另外,本文提出了一种基于LSTM或GRU的异步残差模型进行路网交通流量预测的方法,将交通流预测的深度学习方法向路网交通流进行推广,旨在于缩减路网交通流模型的参数量,并...

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

图１－２研宄基本思路??Ｆｉｇｕｒｅ?１－２?Ｒｅｓｅａｒｃｈ?ｂａｓｉｃ?ｉｄｅａｓ??

第五章讨论实验设计、实施以及实验数据分析。第六章根据提出的问题，数据的分??析过程对本文实验方法实验结果进行总结，并说明实验中的相关经验与存在的不??足以及进一步地改进思路。图１－２、１－３分别是本文的研究思路与技术路线图。??／智能交通系统与深度学习的发展??ｉＸ－］?交通大数....

图１－３技术路线图??Ｆｉｇｕｒｅ?１－３?Ｔｅｃｈｎｉｃａｌ?ｒｏｕｔｅ??

第五章讨论实验设计、实施以及实验数据分析。第六章根据提出的问题，数据的分??析过程对本文实验方法实验结果进行总结，并说明实验中的相关经验与存在的不??足以及进一步地改进思路。图１－２、１－３分别是本文的研究思路与技术路线图。??／智能交通系统与深度学习的发展??ｉＸ－］?交通大数....

图３－１?ＭＬＰ网络示意图??Ｆｉｇｕｒｅ?３－１?ＭＬＰ?ｎｅｔｗｏｒｋ?ａｒｃｈｉｔｅｃｔｕｒｅ??

ｒ＿ｉ??ＢＰ?Ｔｒａｉｎｉｎｇ??图３－１?ＭＬＰ网络示意图??Ｆｉｇｕｒｅ?３－１?ＭＬＰ?ｎｅｔｗｏｒｋ?ａｒｃｈｉｔｅｃｔｕｒｅ??图３－１中为含有２层隐含层的ＭＬＰ模型，所有连接均为前向连接，其中％为??网络参数矩阵，６为祌经元偏置项，ＣＪ为该神经元的激活函数，通常使用....

图３－２自动编码器??Ｆｉｇｕｒｅ?３－２?ＳＡＥ??

与模型的输入通过神经网络等价，训练中自动编码器通过输入层与输出层的相互??映射调整神经网络参数，知道有输入层到输出层再映射回输出层的结果与最初输??入结果相等，这也说明了自动编码器的可逆性。图３－２给出了一个自动编码器的图??示，它有一个输入层，一个隐藏层和一＂ｔ＊输出层。??ｙ....

本文编号：3945997