面向短时交通流分析与预测的循环神经网络算法研究

摘要

自改革开放以来，中国经济水平增长迅速，且目前仍处于中高速增长水平，在此基础上我国的汽车行业与居民的汽车保有量蓬勃发展，但与此同时居民交通出行压力日益增加，智能交通系统智能化的要求不断提高。短时交通流预测是智能交通系统的一个重要研究方向，准确高效的短时交通流预测，对交通诱导与管理，国民出行具有重要意义。 本文针对短时交通流预测研究的主要完成以下工作： (1)针对本文实验的交通流数据集完成数据剪枝，数据清洗与填补，完成建模过程中必要的流量统计，时间序列划分等工作，为后续研究做出重要铺垫。 (2)本文研究并实现了基于PageRank算法的交通网络节点拥堵预测方法。利用交通网络结构和网页结构的相似性，计算度量交通网络节点的PageRank值，并发现t-1时刻交通节点的PageRank值和t时刻该节点的交通拥堵指数存在强线性相关性，以此相关性来预测交通拥堵状况，实验验证此预测方法有83.6%的平均准确率。 (3)本文研究并构建了基于循环神经网络的短时交通流预测方法，在实验数据集上首先对单一采样点的交通流量在Vanilla LSTM模型上进行预测。同时研究多采样点构建的时空流量矩阵在CNN-LSTM模型上的预测效果，并将CNN-LSTM模型中LSTM单元替换为GRU单元并利用CNN-GRU模型展开预测。最后综合对比三种循环神经网络算法与传统交通流预测方法ARIMA模型，GM模型对于短时交通流序列的预测效果，实验发现CNN-LSTM预测模型的预测误差LSTM模型预测平均误差低30%，较传统预测模型提升更为显著。 (4)实现了基于Spark的短时交通流分析系统，系统通过命令行和函数式编程实现分布式计算与数据存储。并在此系统上实现了文章第三章的PageRank交通拥堵预测算法，同时此系统还具有Spark SQL，机器学习的拓展功能。

目录

声明

1绪论

1.1研究背景与意义

1.2国内外研究现状

1.2.1交通网络拥堵预测研究现状

1.2.2交通流预测的神经网络算法研究现状

1.3本文主要研究内容

1.4本文组织结构

2短时交通流特性与建模

2.1短时交通流特征

2.2短时交通流量数据

2.3短时交通流预测方法

2.3.1预测评价指标

2.3.2 ARIMA预测模型

2.3.3灰度GM预测模型

2.3.4神经网络预测模型

2.4本章小结

3基于PageRank算法的交通拥堵预测研究

3.1 PageRank算法基础

3.2基于PageRank算法的交通拥堵预测算法

3.2.1交通网络与互联网网络相似性

3.2.2实验数据预处理

3.2.3城市交通网络模型研究

3.2.4模型求解与分析

3.3 实验结果与分析

3.4本章小结

4基于循环神经网络算法的短时交通流预测

4.1循环神经网络

4.1.1 RNN的网络结构

4.1.2 LSTM长短记忆网络模型

4.2 基于LSTM模型的短时交通流预测

4.2.1 实验数据与预处理

4.2.2 Vanilla LSTM预测模型

4.2.3 CNN-LSTM预测模型

4.2.4 LSTM演化的GRU预测模型

4.3实验结果及分析

4.4 本章小结

5 基于Spark的短时交通流数据分析系统实现

5.1 系统需求分析

5.2 系统主要功能模块

5.2.1系统数据处理模块

5.2.2系统拓展模块

5.3系统实现

5.4本章小结

6 总结和展望

6.1总结

6.2展望

致谢

参考文献

攻读学位期间主要研究成果