原文传递
动态时空数据的深度表示学习及交通流预测研究
| 论文题名： | 动态时空数据的深度表示学习及交通流预测研究 |
| 关键词： | 交通流预测;卷积神经网络;动态时空数据;深度表示学习 |
| 摘要： | 建设智慧城市的首要措施就是建立智能交通系统，而交通流预测是实现交通智能化管理的关键。随着数据源的快速发展，能获取到的数据量越来越大，如何充分而合理的利用现有海量数据精准预测交通流是一个迫切需求的任务。而交通数据具有复杂的动态时空依赖关系，其还受到天气、节假日等外部因素影响，这给交通流预测带来了巨大的挑战。 本文基于深圳市罗湖区交通流数据，首先对数据进行预处理，处理数据中存在的缺失值和异常值问题，通过随机森林的方法筛选特征。其次对交通流数据进行时间和空间的相关分析。然后建立传统的时间序列模型ARIMA模型并对其进行相关分析和可视化，并对未来数据进行预测。再使用支持向量回归模型和卷积神经网络的方法进行交通流的预测，并设计了一个改良的基于时空特性的生成式对抗网络深度学习模型，其用融合网络来整合来自不同领域的外部因素包含是否为周末，是否为节假日，降雨量，气温等因素与数据输入到编码器中。最终得到经过改良的基于时空特性的生成式对抗网络模型对于后一天的交通流预测的均方误差为1.33远低于ARIMA模型的44.67，支持向量回归模型的35.42和卷积神经网络的12.56。故改良的基于时空特性的生成式对抗网络深度学习模型在交通流预测问题方面有着显著效果。 本文通过深圳市交通流数据，对其建立了交通流预测模型，实验结果表明经过改良的基于时空特性的生成式对抗网络模型的预测效果更好。 |
| 作者： | 杨景仁 |
| 专业： | 应用统计 |
| 导师： | 张汉君 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湘潭大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
