基于深度学习的交通状态判别和短时交通流量预测方法研究

目录

声明

致谢

1 引言

1.1 研究的背景和意义

1.2 国内外研究现状

1.2.1 交通状态判别研究现状

1.2.2 短时交通流量预测研究现状

1.3 论文主要工作及结构安排

1.3.1 主要工作内容

1.3.2 论文结构安排

2 相关基础理论介绍与交通特性分析

2.1 聚类方法基础理论

2.1.1 K-Means 聚类

2.1.2 DBSCAN 聚类

2.2 神经网络基础理论

2.2.1 人工神经网络与循环神经网络

2.2.2 长短期记忆神经网络

2.3 交通流数据介绍及分析

2.3.1 交通流量数据来源

2.3.2 交通流基本参数

2.3.3 交通流特性分析

2.4 本章小结

3 基于共享参数LSTM结构的交通状态判别研究

3.1 基于K-Means的交通状态聚类

3.1.1 数据预处理

3.1.2 基于交通信息序列的聚类

3.2 基于共享参数LSTM编码的K-Means聚类

3.2.1 共享参数的LSTM 网络构建

3.2.2 基于重编码交通序列的K-Means 聚类

3.3 实验验证

（1）共享参数LSTM的评价标准

（2）共享参数LSTM的超参数确定

（3）聚类模型收敛及结果验证

3.4 本章小结

4 基于深度学习的短时交通流量预测

4.1 数据特征选取与处理

4.1.1 特征选取

4.1.2 数据处理

4.2 路网中高维离散信息挖掘

4.2.1 基于FM 的路网离散信息处理与挖掘

4.2.2 基于DeepFM 的交通流量预测结构

4.3 交通时间序列信息的挖掘

4.3.1 注意力机制

4.3.2 基于路网结构的Attention-LSTM 短时流量序列编码

4.4 Cluster-Attention-LSTM短时交通流预测模型

4.5 本章小结

5 短时流量预测模型的实验对比与结果分析

5.1 评价指标与参数设置

5.1.1 评价指标

5.1.2 模型参数设置

5.2 模型结果对比与分析

5.2.1 FM 模块对空间信息挖掘结果分析

5.2.2 改进的短时流量预测模型在早晚高峰时段及特殊日期结果分析

5.2.3 改进的短时流量预测模型整体结果分析

5.3 本章小结

6 结论与展望

6.1 论文主要工作总结

6.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集