基于深度学习的短时交通拥堵预测模型

摘要

随着城市化进程的推进，由于城市人口增加、道路增长率远低于汽车增长率等因素，造成了一系列交通问题，其中最为突出的问题是交通拥堵问题。对交通拥堵进行预测是缓解交通拥堵的关键。
　　为了使得交通拥堵预测能够满足实时性和准确性的需求，本文提出了一种基于深度学习的城市短时交通拥堵预测模型。通过对大量的城市交通出租车数据进行处理，提取交通拥堵识别中的重要交通流参数，交通量和平均速度。通过分析交通量和平均速度的时空分布特性，分别提出了基于深度学习中的堆叠自动编码器（SAE）的短时交通量预测模型和基于堆叠自动编码器的短时平均速度预测模型。通过对比其他交通量预测方法和平均速度预测方法，本文提出的方法在准确率上有所提高。在交通拥堵识别方面，本文使用了一种模型，该模型选取交通拥堵的特征参数（平均车速、密度、交通流量），利用标准函数法标准化特征参数计算出综合交通阈值，量化各特征参数对拥堵的影响程度。然后结合基于SAE的短时交通量预测模型与基于SAE的短时平均车速预测模型，提出了基于深度学习的短时交通拥堵预测框架。
　　最后，本文通过实验对提出的交通拥堵预测模型进行验证，实验结果表明，本文提出的短时交通量和短时平均车速预测模型在预测精度上优于其他对比模型；在交通拥堵预测方面，该模型在准确性、实时性上效果较好。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状综述

1.3 研究主要内容

1.4 本文组织结构

2 基础理论与相关技术

2.1 交通流参数

2.2 深度学习方法

2.3 本章小结

3 交通拥堵识别模型与城市交通数据处理

3.1 交通拥堵识别模型框架

3.2 交通拥堵识别方法

3.3 城市交通数据介绍

3.4 出租车GPS数据预处理

3.5 交通拥堵识别结果

3.6 本章小结

4 基于深度学习的短时交通拥堵预测模型

4.1 堆叠自动编码器

4.2 短时交通拥堵预测框架

4.3 交通流参数分布特性

4.4 基于SAE的短时交通量预测模型

4.5 基于SAE的短时交通速度预测模型

4.6 本章小结

5 实验分析

5.1 实验环境

5.2 性能指标

5.3 基于SAE的短时交通量预测算法

5.4 基于SAE的短时平均速度预测算法

5.5 短时交通拥堵预测结果

5.6 本章小结

结论

参考文献

附录A 交通拥堵识别结果图

附录B 交通量时空分布特性结果图

附录C 平均速度时空分布特性结果图

附录D 交通量预测结果图

附录E 平均速度预测结果图

附录F 交通拥堵等级预测结果图

攻读硕士学位期间发表学术论文情况

致谢