当前位置：文档库 › 基于深度学习的路网短时交通流预测

基于深度学习的路网短时交通流预测

第一章绪论 (1)

1.1研究背景及意义 (1)

1.2短时交通流预测国内外研究现状 (2)

1.2.1短时交通流预测概述 (2)

1.2.2短时交通流预测国内外研究现状 (4)

1.3深度学习发展及研究应用现状 (6)

1.3.1深度学习的发展 (6)

1.3.2深度学习的研究应用现状 (7)

1.4 论文主要研究内容和章节安排 (7)

第二章常用路网数据压缩算法 (11)

2.1主成分分析法 (11)

2.2 离散余弦变换 (12)

2.3 CUR 分解 (14)

2.4 相关分析法 (16)

2.5 本章小结 (16)

第三章深度学习基本理论 (17)

3.1 深度学习概述 (17)

3.1.1 深度学习概念 (17)

3.1.2 浅层学习和深度学习 (17)

3.2 深度学习的训练过程 (18)

3.3 深度学习的常用模型 (20)

3.3.1 深度自动编码模型 (20)

3.3.2深度信念网络模型 (21)

3.3.3 卷积神经网络模型 (24)

3.4深度学习的应用 (26)

3.5本章小结 (26)

第四章DBN-SVR路网短时交通流预测模型 (27)

4.1路网交通流数据压缩 (27)

iii

4.1.1 路网相关性分析 (27)

4.1.2 路网数据压缩矩阵的构造 (28)

4.2 数据的预处理 (29)

4.2.1 谱分解的基本原理 (29)

4.2.2 基于谱分解的交通流分解 (30)

4.3 DBN-SVR路网短时交通流预测模型 (30)

4.3.1 DBN模型 (31)

4.3.2 支持向量回归 (32)

4.3.3 DBN-SVR路网短时交通流预测模型 (33)

4.4 预测方法的处理步骤 (33)

4.5 预测结果的性能评价指标 (34)

4.6 本章小结 (34)

第五章DBN-SVR路网短时交通流预测结果分析 (37)

5.1交通数据来源 (37)

5.2 交通流时空特性分析 (37)

5.3 模型参数确定 (41)

5.4 预测结果及分析 (45)

5.4.1 非周末预测结果 (45)

5.4.2 周末预测结果 (47)

5.4.3 预测结果对比分析 (49)

5.5 本章小结 (50)

总结与展望 (51)

参考文献 (55)

攻读学位期间取得的研究成果 (61)

致谢 (62)

第一章绪论

1.1研究背景及意义

随着当前经济的快速发展，车辆数量不断增长，进而导致了一系列的交通问题，如交通拥堵、交通污染、交通事故等，这些问题已经严重影响着人类的日常生活。近年来，早晚上班高峰期堵车情况已成为一个生活中不可避免的问题，尤其是节假日期间，无论城市道路还是高速公路，交通拥堵问题是影响交通通行能力的主要因素。智能交通系统（Intelligent Transportation Systems，ITS）的诞生，有效的缓解了道路交通拥堵、交通事故的发生，并为出行者提供了有效的路径优化选择策略，从而减少了环境污染。

智能交通系统的不断发展，交通信息采集技术的不断提升，使得交通信息的采集手段和来源日益丰富，数据采集方法从感应线圈检测、雷达检测、超声波检测、光电检测到视频检测方法等，采集的质量和精度也不断提高，从而使得交通信息采集设备的性价比也越来越合理，因此，道路交通网络中实时交通数据的获取以及提取出如交通流量、速度、占有率等准确、实时的交通状态信息已成为可能，海量的交通信息可以为动态的交通状态的分析和预测研究提供数据支持和保障。

智能交通系统的目的在于为人们提高快捷、有效的信息化服务。智能交通系统主要包括先进的交通信息系统、先进的交通管理系统、先进的车辆控制和安全系统、电子收费系统以及紧急事件管理与救援系统。交通诱导技术是智能交通系统的核心，而交通流量预测是交通诱导技术的重要组成部分。如何充分、有效的利用大路网条件下海量的交通流数据对路网交通状况做出实时、准确的预测是智能交通系统中急需解决的问题之一。

目前，随着信息化技术的发展，国内大部分城市已经开始建设交通信息一体化平台，包括交通信息采集设备、信息传输设备和交通信息发布平台，交通数据的管理、数据的处理和数据的发布等这些动态数据的实时更新都需要一个综合性的平台来进行控制。智能交通管理系统是交通数据管理的中心，它可以向出行者提供交通信息，为交通路径的选择给出参考策略，并且可以提供出行时间、出行服务等信息。尽管当前城市中所采用的设备虽然也提供了这样的信息，但都只是对于历史的交通信息进行发布。由于交通系统是一个动态的、复杂系统，很容易受到外界条件的干扰，突发事件