基于深度学习的城市机动车行程时间预测

摘要

城市机动车数量的飞速增长给交通系统带来巨大的压力，智能交通系统研究的重要性日益凸显。车辆行程时间预测在智能交通系统中有着非常重要的地位，是实现交通诱导的基础，准确地预测未来时段的车辆行程时间有助于合理地调度道路中的车辆，缓解局部区域的交通拥堵。随着交通数据采集技术的不断发展，交通部门已经能够实时准确地采集并存储大量的交通数据，如何分析并利用这些交通数据建立算法模型来预测未来时段的交通状况是本文研究的主要内容。 交通系统是一个呈现出高度非线性、时变性以及不确定性的复杂系统，所以对于交通参数的预测，传统的浅层算法往往不能取得很好的效果，而深度学习对复杂的非线性系统有着很好的拟合能力，所以本文提出了一种基于深度学习的车辆行程时间多步预测方法。本文首先研究了深度学习的基本理论，针对本文的预测问题介绍了几种循环神经网络模型，以及不同的循环神经网络结构和它们的应用领域。其次介绍了本文所用到的交通数据集，对数据进行了分析和处理，并提取特征生成了模型的训练数据。然后，在普通循环神经网络结构的基础上介绍了序列编码-解码模型以及注意力机制，并基于循环神经网络构建了本文的行程时间预测模型。最后，采用之前生成的训练数据对模型进行训练后，分析了模型预测的结果，并与传统的预测方法进行了比较，验证了本文提出的预测方法的有效性。 通过模型预测结果分析得到：（1）模型有效预测了路段行程时间变化的趋势；（2）本文提出的预测模型在预测精度上较传统方法有较大的提升。

目录

第一个书签之前