原文传递
基于LSTM和灰色模型集成的短期交通流预测
| 论文题名： | 基于LSTM和灰色模型集成的短期交通流预测 |
| 关键词： | 短期交通流预测;深度学习;长短时记忆网络模型;灰色模型 |
| 摘要： | 道路交通系统是一个国家国民经济发展的基础，建造一个合理高效的道路交通系统是至关重要的。随着人们出行需求的增多，大众和企业对道路交通系统的便捷度要求越来越高。为了解决道路拥堵的状况，我们着力于研究交通流预测技术，期望能获取未来短期时间内精准的车流量数据，以实现车辆分流、交通诱导、道路规划和交通设施合理分布等目的。本文主要的研究对象是交通流数据，研究目标是精确的预测某选定路段未来一天以内的交通流量，研究内容是交通流数据预处理、交通流预测模型搭建和预测效果检验，设计了预测精度较高的交通流预测算法。本文的主要研究内容和研究成果如下： （1）本文首先对交通流数据的参数、特征和影响因素进行分析，选取时间和车流量作为本文的研究参数。使用EViews数据分析器获取数据的季节性和趋势性特征，为选取合适的非线性预测模型做铺垫。然后对交通流数据进行预处理。使用SPSS数据分析器调整数据顺序、添加空缺值并改正非常规值；再对数据进行小波软阈值去噪，去噪过程包括小波分解、软阈值去噪和小波重构，使用matlab代码实现并获得去噪后的数据表和数据图。 （2）建立交通流数据的LSTM模型和GM模型。LSTM模型使用keras框架和python代码编写。将预处理后的部分数据输入进搭建好的LSTM网络，LSTM通过学习数据的特征确定网络参数和权值，并输出未来一天的交通流数据。LSTM模型的预测效果较好，但是模型训练需要的数据量较大。GM属于灰色模型，我们采取10个数据一个模型，不断改变模型参数，构造动态灰色模型。GM模型的预测效果不如LSTM模型的预测效果好，但是预测所需的数据量较少且实时性强。 （3）将LSTM模型和GM模型使用动态权值w集成。针对单个模型预测法在应对突发状况时容易遗漏和忽视，导致预测精度降低，采用两种预测模型集成的方式对交通流预测进行研究。集成方式为加权组合，权值w利用关联系数确定，权值的动态步调与GM的建模步调保持一致。集成模型的预测结果显示，其预测精确度比两个模型单独预测的精确度高。 |
| 作者： | 谈苗苗 |
| 专业： | 电子与通信工程 |
| 导师： | 李海波 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京邮电大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
