基于多尺度小波分解融合深度学习的短时交通流预测研究

发布时间：2024-03-31 11:48

　　在城市化发展水平不断提高的背景下,人们出行需求增加促使城市机动车保有量逐年攀升,进而给城市交通系统带来交通拥堵等一系列问题。智能交通系统作为缓解这些问题的关键已经得到了广泛的应用。近年来,随着交通信息技术的发展,智能交通也迫切需要改善其相关技术推进交通智能化。交通流预测作为智能交通系统中的基础技术可以提供实时、动态的诱导信息用于制定交通管理与诱导措施。因此,对城市道路进行短时交通流预测在缓解交通拥堵、提高城市路网通行能力上具有重要的意义。本研究以实际数据为基础,结合交通流特性,提出了一种多尺度下粒子群优化深度置信网络的短时交通流预测模型,提高了短时交通流预测的准确度。首先,确定选题背景与意义,简要概述了有关短时交通流的基本知识,分析了深度学习的研究现状,进而给出本文的主要研究内容及技术路线。介绍了包括小波分析、深度置信网络和粒子群算法在内的相关基本知识和理论基础。详述了上述模型和算法的模型原理,并对相关参数做了分析工作。其次,在理论知识的基础上建立基于深度置信网络的短时交通流预测模型,给出模型的建立框架和预测流程,并分析了该模型的相关参数;在分析深度置信网络相关参数的条件下,提出用粒子...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 选题背景及意义
    1.2 国内外研究现状
        1.2.1 短时交通流基本概述
        1.2.2 短时交通流预测研究综述
        1.2.3 深度学习方法研究现状
    1.3 研究内容及技术路线
2 基本理论概述
    2.1 小波分析理论
        2.1.1 小波变换原理
        2.1.2 小波函数及分解层数的选择
        2.1.3 多尺度小波分析
    2.2 深度置信网络
        2.2.1 深度学习概述
        2.2.2 常用深度学习模型
        2.2.3 深度置信网络基本原理
        2.2.4 深度学习常用优化算法
    2.3 粒子群算法
        2.3.1 群智能概述
        2.3.2 粒子群算法原理
        2.3.3 粒子群算法模型分析
        2.3.4 粒子群算法参数分析
    2.4 本章小结
3 基于W-PSO-DBN的短时交通流预测模型
    3.1 基于DBN的短时交通流预测模型
        3.1.1 BP神经网络微调
        3.1.2 深度置信网络预测模型框架
        3.1.3 基于DBN的短时交通流预测模型流程
        3.1.4 深度置信网络模型影响参数
    3.2 基于PSO-DBN的短时交通流预测模型
        3.2.1 PSO算法实现步骤
        3.2.2 PSO-DBN短时交通流预测模型设计思路
        3.2.3 PSO-DBN短时交通流预测模型实现步骤
    3.3 基于W-PSO-DBN的短时交通流预测模型
        3.3.1 深度信念网络的可塑性
        3.3.2 W-PSO-DBN短时交通流预测模型的建立
        3.3.3 W-PSO-DBN短时交通流预测模型流程
    3.4 本章小结
4 模型实例验证分析
    4.1 数据分析
        4.1.1 交通流数据来源
        4.1.2 交通流特性
        4.1.3 交通流数据分析
        4.1.4 交通流数据处理
    4.2 模型性能评价指标
        4.2.1 模型性能评价指标
        4.2.2 预测误差产生原因分析
    4.3 不同模型实例验证
        4.3.1 DBN模型预测分析
        4.3.2 PSO-DBN模型预测分析
        4.3.3 W-PSO-DBN模型预测分析
        4.3.4 预测结果对比分析
    4.4 不同数据下模型实例验证分析
        4.4.1 工作日数据模型预测对比分析
        4.4.2 非工作日数据模型预测对比分析
        4.4.3 高峰小时数据模型预测对比分析
    4.5 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
参考文献
作者简历
学位论文数据集



本文编号：3943883