原文传递
基于深度学习的高速公路路段和城市交叉口短时交通流预测研究
| 论文题名： | 基于深度学习的高速公路路段和城市交叉口短时交通流预测研究 |
| 关键词： | 短期交通流预测;深度学习;神经网络;注意力机制 |
| 摘要： | 社会与时俱进，广大群众日常生活水平的大幅提高，中国私家车使用量与日俱增，城市交通设施交通量急剧增长。对于城市的智能交通系统来说，信号分配时的优化也好，移动路径导航计划也好，都依赖于与之相关的交通量数据。应用动态同步检测的流量信息，掌控下一个时长的公路交通，精准度不太好。因此，公路交通量短时的预报是城市公路交通科技应用领域学术研究工作的热点板块。 深度学习是将深层次神经网络模型的数个暗藏层重叠，并将使用一种用于表示顶部抽象化形态或特质的与底部特征相联结的方式。它可以很好地发现并记述数据中的隐含法则。因此，深度学习模式可以很好地挖掘各种交通流量数据的底特性。利用这些特性，预测今后的交通状况，利用深度学习进行短时间的交通流量预测是非常有好处的。 该论文主要通过python爬虫技术爬取美国加利福尼亚州的PEMS-I105数据集。并分别利用深度学习的卷积人工智能神经网络?长短时存储人工智能神经网络?双向长短时存储人工智能神经网络?栅极控制循环单元人工智能神经网络?双向栅极控制循环单元人工智能神经网络?适用于短期交通流预测的时空图卷积神经网络(S2TGCN)?适用于短期交通流预测的注意力机制时图卷积神经网络(AS2TGCN)?双向长短时门控图卷积神经网络(BLG-GCN)预测PEMS-I105数据集中洛杉矶城市中一条主干道单向高速公路I150和安徽省合肥市黄山路?天智路路口每条车道的短时交通流。并对上述各类方法模型的性能进行对比分析，综合改变评价各类性能指标选择较优的解决方案。改变混合循环神经网络模型的神经元个数、CNN2D模型卷积层卷积核个数、CNN2D模型卷积层的卷积核大小、AS2TGCN模型的时间图卷积层的神经元个数、BLG-GCN模型Dropout层比率、BLG-GCN模型学习率、S2TGCN模型的偏差、BLG-GCN模型的优化器、混合循环神经网络模型recurrent_dropout参数、混合循环神经网络的权重初始化的方法、混合循环神经网络的施加在权重上的正则化，比较性能变化，并选择最优性能指标。并用pyqt5软件模块实现了使用2维卷积神经网络模型预测第760226检测器第1条车道的5分钟内的交通流。 |
| 作者： | 张雯昭 |
| 专业： | 交通运输工程 |
| 导师： | 张瞫 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工业大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
