原文传递
基于微波数据的连续交通流预测方法研究
| 论文题名： | 基于微波数据的连续交通流预测方法研究 |
| 关键词： | 交通流;预测模型;稀疏表达;机器学习 |
| 摘要： | 随着城市化进程的飞速推进，人们对于交通的需求也在快速增长，城市逐渐出现供不应求的交通现象，机动车保有量不断增长，交通拥堵加剧，增加了出行者的时间成本和经济成本，不仅会引发出一系列的交通问题，进一步还会带来环境污染，“交通病”上升为“城市病”，问题亟待解决。如果能够对交通流进行实时、有效的预测，从而做出相应的交通管理策略，必将能够大大减少交通问题带来的负面影响，提升路网的整体运行效率。因此，对于交通流的预测有着非常必要且重大的意义。 首先，对国内外短时交通流预测研究现状进行归纳总结，提炼出本文的研究思路。为适应复杂交通流的时变性和非线性，本文考虑交通流时空关联特性，在此基础上，运用新的学习方法以取得更高的预测精度。 其次，简单介绍交通流数据的采集技术及预处理方法，并选择微波数据作为本文实验数据。结合数据借助相关系数和灰色关联度两种关联性度量指标，对交通流时空关联性进行分析。 最后，在深入了解交通流运行特性的基础上，提出两种机器学习方法用于速度参数的短时交通流预测。一是在使用稀疏表达方法对提取输入时空状态变量的前提下，搭建支持向量回归进行预测;二是利用深度学习思想，建立栈式自编码神经网络(SAE-DNN)交通流预测模型。在此模型框架下，结合贝叶斯理论进行融合，解决单一方法预测的局限性。使用北京市二环快速路的实测数据分别对上述模型进行实例验证。 |
| 作者： | 陈伦 |
| 专业： | 交通运输规划与管理 |
| 导师： | 谷远利 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
