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
北京交通大学;