基于时空关联混合模型的交通流预测方法研究

摘要

交通流预测是交通建模和交通管理中的一个基本问题。近几年，虽然深度学习的方法已经应用到交通流预测领域，但是由于受交通数据本身所具有的特性，比如，空间依赖性，时间依赖性以及外部因素的影响，准确的预测交通流量具有很大困难。本文主要研究的是交通流量的预测，主要是将一个城市划分成不同的网格，每个网格代表一个预测区域，然后通过这种网格的划分来预测整个城市的交通流量。针对交通流数据所具有的时空关系特性，本文提出了一个新的基于深度学习的混合模型预测方法，用融合注意力（Attention）机制的卷积神经网络（CNN）和LSTM网络来进行交通流量的预测，并用实验对本文的实验结果进行验证。本文的主要研究工作如下： （1） 通过将一个城市的地图按照经纬度划分成网格的形式，成功的将城市交通流量的预测转化成图像处理领域的问题，进而可以用深度学习的框架来处理相关问题。深度学习在图像处理领域的广泛应用使得其能更好的对交通数据中所具有的相关特征进行提取。 （2） 针对交通数据具有的时空关系，本文提出了一个新的基于卷积神经网络和循环神经网络的一个变体LSTM深度学习的框架，同时，在框架中加入Attention机制，以及自回归模型，来更准确的预测交通流。CNN主要用来获取交通数据之间的空间关系，LSTM能够很好的获取时间序列的长时间依赖关系，Attention机制使模型更专注时间序列的局部特征，自回归模型可以用来获取时间序列之间的线性关系。 （3） 通过不同的实验来验证了各个模块在整体框架中的作用，验证模块设计的有效性和必要性。之后通过相应的实验对本文的框架中所用的各个模块的参数进行了选择。最后通过对比实验，发现本文所设计的模型相比于以前的预测交通流的方法能够取得更好的结果。

目录

第一个书签之前

OLE_LINK148

OLE_LINK107

OLE_LINK27

OLE_LINK1

OLE_LINK8

OLE_LINK28

OLE_LINK30

OLE_LINK19

OLE_LINK23

OLE_LINK108

OLE_LINK116

OLE_LINK119

OLE_LINK31

OLE_LINK37

OLE_LINK120

OLE_LINK121

OLE_LINK34

OLE_LINK36

OLE_LINK131

OLE_LINK140

OLE_LINK38

OLE_LINK41

OLE_LINK124

OLE_LINK130

OLE_LINK129

OLE_LINK47

OLE_LINK49

OLE_LINK50

OLE_LINK51

参考文献范例

OLE_LINK146

OLE_LINK144

OLE_LINK145