原文传递
基于噪声免疫长短时记忆网络的短时交通流预测
| 论文题名： | 基于噪声免疫长短时记忆网络的短时交通流预测 |
| 关键词： | 交通流预测;噪声免疫;长短时记忆网络;小波阈值去噪 |
| 摘要： | 随着经济水平的飞速发展，我国高速公路的建设呈平稳增长态势，国内机动车保有量也逐年增加。智能交通系统成为缓解城市拥堵状况、提升市民出行效率、提升城市治理水平的重要手段。短期交通流预测作为智慧交通的重要组成，如何精准高效预测道路交通流量成为学术界研究的热点问题。针对交通流数据本身的随机性和非线性等特点，本文提出噪声免疫的长短时记忆网络（Noise-immuneLSTM，NiLSTM）模型，同时通过引入小波阈值去噪算法和bagging策略对NiLSTM模型做进一步优化。主要工作如下： （1）设计提出基于噪声免疫的长短时记忆网络模型(NiLSTM)。针对长短时记忆网络训练过程中无法识别噪声进而影响预测精度的问题，使用信息论中的Correntropy函数替换MSE作为模型的损失函数，通过差异化处理噪声和正常样本进行模型训练。实验结果表明本模型的预测精度优于传统的长短时记忆网络模型。 （2）引入小波阈值去噪算法的噪声免疫长短时记忆网络集成融合模型（NiLSTM-bagging）。使用小波去噪算法对原始交通流数据进行预处理，针对单一模型泛化能力不佳的问题，结合NiLSTM模型和bagging集成策略进行交通流量预测。在实际数据集中验证了小波阈值去噪算法的有效性，同时通过对比实验验证了集成模型NiLSTM-bagging的预测精度优于其他模型。 |
| 作者： | 雷明钦 |
| 专业： | 计算机技术 |
| 导师： | 蔡玲如 |
| 授予学位： | 硕士 |
| 授予学位单位： | 汕头大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
