原文传递
基于深度神经网络的公交行程时间预测
| 论文题名： | 基于深度神经网络的公交行程时间预测 |
| 关键词： | 公交行程时间预测;深度学习;长短期记忆网络;注意力机制;时间卷积网络 |
| 摘要： | 近年来，先进智能交通系统的重要性日益凸显。实时的公交行程时间可为智能交通系统的建设提供帮助，国内外学者针对公交行程时间预测问题的研究也逐渐深入。目前常用的预测方法包括传统的预测方法和基于浅层机器学习类方法，如基于卡尔曼滤波器的预测模型和基于支持向量机的预测模型等。然而，上述方法分别存在着考虑因素不够全面、泛化效果不够高、模型速率较低、无法应对大数据场景等问题。在如今数据量级爆炸的背景下，面对日益复杂的公交行程时间问题，上述方法存在一定优化空间，因此有必要对其展开更深入的研究。 针对公交行程时间预测问题，本文首先获取了研究所需的公交GPS定位数据与天气源数据，并对其进行预处理得到可用数据，再结合影响公交行程时间的不确定因素分类定性与相关性系数定量分析，利用可视化的方式筛选并构造了特征集作为模型的输入数据；其次，设计了基于长短期记忆网络（LSTM）-注意力机制（Attention机制）的预测模型，利用LSTM对历史信息进行挖掘，结合Attention机制学习信息的重要性，同时对模型的训练算法进行了优化；接着，分别从增加双向信息优化了上述模型，设计了基于双向LSTM（BiLSTM）-双重Attention机制的预测模型，并介绍了模型的具体优化思路与结构；最后，从增加模型长序列理解能力的角度设计了基于时间卷积网络（TCN）-时间模式注意力机制（TPA）的预测模型，进一步优化上述模型，也是TCN与TPA方法在公交行程时间预测问题上的首次应用。最后额外构造了6种常用的预测模型，分别是基于前馈神经网络（BPNN）、梯度提升决策回归树（GBRT）、轻量型梯度提升决策回归树（LightGMB）、循环神经网络（RNN）、门控循环单元（GRU）与单一的LSTM的预测模型，并在某市的真实数据上进行实验，实验结果表明构造的三种模型预测效果均优于常用的其他6种方法，大大提高了模型的预测精度，验证了本研究的可靠性。 |
| 作者： | 徐丸絮 |
| 专业： | 控制科学与工程 |
| 导师： | 沈吟东 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华中科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
