原文传递
基于时隙循环神经网络的短时交通流预测
| 论文题名： | 基于时隙循环神经网络的短时交通流预测 |
| 关键词： | 智能交通系统;短时交通流;时隙循环神经网络;深度学习;小尺度模式 |
| 摘要： | 随着社会经济的发展，汽车保有量日益增加，有限的城市道路资源无法满足激增的交通需求，带来了严重的交通拥堵问题，阻碍了城市的进一步发展。交通流预测是智能交通系统非常重要的一个组成部分，通过预测交通流的未来状况，引导人们选择更合适的出行路线，进而缓解交通拥堵。由于交通流模式具有强烈的时间相关性，同时循环神经网络在时间序列分析中表现出优异的性能，论文提出一种基于时隙循环神经网络（TS-RNN）的深度学习模型，通过挖掘交通流的时间特征来提高交通流预测精度。主要工作内容如下： （1）对交通流特性以及时间序列进行分析，并对交通流数据进行异常处理。分析短时交通流的周期性、强非线性、随机性，通过阈值检验处理交通流数据，为深入分析挖掘交通流模式特征打下基础。 （2）研究时间序列数据与时隙分段的关系，建立时隙分段预测模型。将历史序列数据按时间段进行分组，通过网格搜索算法确定最佳分组大小。去除不相关的历史时间序列数据可有效减少模型学习过程中的噪声和干扰，使得每个独立的子模式只需要在高度相关的数据集上进行训练，能够学习到更准确的特征表示。 （3）研究时间槽位识别与时间点组装策略。在模型评估与预测过程中，时间槽位识别用来对测试集的数据进行定位识别，从而在模型池中选出相应的模型来进行评估与预测。同时，通过时间点组装策略，将成组的预测结果进行组装并输出。 （4）进行多尺度的时隙循环神经网络模型验证，并与多种交通流预测模型进行对比测试。实验结果表明，时隙循环神经网络在短时交通流预测方面的相比其他比较模型，有较小的平均误差和较高的预测精度，并且拥有很好的稳定性与健壮性。 论文提出的时隙循环神经网络模型在时间序列预测中使用分段模型，通过学习多个子模式来代替以往学习完整交通流模式进行交通流预测，具有更强大和更准确的时间序列特征学习与表示能力。此外，小尺度模型还可以充分利用计算资源，提高并行计算能力，实现实时在线预测，对缓解交通拥堵问题和促进城市发展也具有十分重要的意义及应用价值。 |
| 作者： | 李翔 |
| 专业： | 计算机科学与技术 |
| 导师： | 屈立成 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
