详情

原文传递基于深度学习的短时交通流预测

论文题名：	基于深度学习的短时交通流预测
关键词：	短时交通流预测;深度学习;特征提取;卷积神经网络;训练集
摘要：	随着城市智能交通系统的不断完善，城市道路上安装了大量的检测器设备来采集道路和车辆的信息数据，通过分析检测器检测到的大量数据，为从数据中发现交通规律，支持城市交通优化，短时交通流分析是当前主要研究问题之一。卷积神经网络避免了从数据中人工提取特征的问题，采用卷积神经网络科自动提取交通流量的时空特征，具有较好的应用价值。基于此本文采用卷积神经网络的方法对短时交通流进行研究预测，主要内容如下：　　本文通过构建卷积神经网络模型，将路网的交通流数据转化为交通流拥堵级别数据，实现基于此类数据的预测时间小于5分钟的交通状况预测，面对特定类型的样本较小的情况，利用迁移学习的思路增加训练集的数据量和提升模型的预测性能。本文的主要工作如下：　　（1）针对短时交通流预测问题，提出了采用卷积神经网络解决，分析了方案中卷积神经网络中卷积核大小对模型预测准确度的影响，采用秦皇岛连续并且缺失值最少的15天的数据集，实现了1分钟和5分钟的流量预测。并实现了高峰期和全天时段数据的预测。　　（2）针对数据训练样本过少，导致模型过拟合问题，采用迁移学习的思想，通过不同时段数据集的不同以及在训练集中增加随机扰动的方法，增大了数据样本，提高了模型预测准确性。
作者：	王晓杰
专业：	计算机科学与技术
导师：	孙仁诚
授予学位：	硕士
授予学位单位：	青岛大学
学位年度：	2017
正文语种：	中文