原文传递
基于深度学习的短时交通流量预测研究
| 论文题名： | 基于深度学习的短时交通流量预测研究 |
| 关键词： | 交通流量预测;深度学习;长短时记忆网络;支持向量回归 |
| 摘要： | 近年来，随着经济社会的快速发展，机动车拥有量也急剧增加，城市交通拥堵日趋严重，为有效支持居民出行路径选择、城市交通管理部门交通控制和出行诱导，短时交通流量预测成为各国学者研究的热点问题。 短时交通流具有实时性，非线性，周期性等特征，是典型的时序数据，获取数据之间的潜在的关联及影响，是准确预测的关键。深度学习通过利用多层网络结构可以很好地获取数据的特征，基于此本文研究了深度学习的短时交通流量预测方法，主要研究内容如下: 针对交通流量数据具有时序性的特点，提出了一种深度学习的模型预测方法，该方法结合长短时记忆神经网络(LSTM)和支持向量回归(SVR)，通过长短时记忆神经网络获取数据间的潜在特征，以该特征作为预测器支持向量回归的输入进行预测。采用河北秦皇岛的检测器流量数据，对不同时间间隔的流量数据进行了预测；并分别对工作日和非工作日以及高峰期时刻流量情况进行了预测；比较了不同模型的预测精度，实验表明了模型的有效性。 时间的周期性及各种偶发因素均是影响交通流量的关键因素，实际的交通数据往往只能反映数据的一部分特征，从整个数据空间角度，数据的样本量不足，从而导致模型的泛化能力不强，为了解决该问题，本文以增大样本量为目标，通过自编码及加高斯噪声两种数据增强方法，生成与原始数据具有近似分布的数据样本，采用迁移学习的思想对模型进一步训练，实验表明了该方法的有效性。 |
| 作者： | 乔松林 |
| 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： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
