基于多模型长短时记忆和时空关联的短时交通流预测

目录

声明

第一章绪论

1.1 研究背景

1.2 研究的内容和意义

1.3 国内外研究现状

1.3.1 响应式预测方案

1.3.2 考虑交通路网空间关联

1.4 本文的主要工作及贡献

1.5 本文的组织结构

第二章短时交通流预测的相关理论与技术

2.1 交通流的基本理论介绍

2.1.1 交通流的主要特征参数

2.1.2 短时交通流预测的基本流程

2.1.3 实验数据来源

2.2主流的短时交通流预测方法

2.2.1 线性参数型方法

2.2.2 非线性非参数型方法

2.2.3 深度学习方法

2.3误差评价标准

2.4本章小结

第三章基于多模型 LSTM 的短时交通流预测方法

3.1交通流变化特征与模型框架概述

3.1.1 交通流变化特征

3.1.2 模型框架概述

3.2特征提取与交通流量分类

3.2.1 特征的含义与提取方法

3.2.2 交通流量分类方法和效果

3.3多模型 LSTM的训练方式

3.4在线预测的方法

3.5实验结果与分析

3.5.1 实验数据集描述

3.5.2 最优参数确定与预测效果对比

3.5.3 两种模型训练方式的预测效果对比

3.6本章小结

第四章基于时空关联 LSTM 的短时交通流预测方法

4.1重要交通结点分析与模型框架概述

4.1.1 重要交通结点分析

4.1.2 模型框架概述

4.2时空关联 LSTM 的训练过程

4.2.1 重要概念介绍

4.2.2 模型训练过程

4.3相关系数权重结合实际路线图的意义

4.4实验结果与分析

4.4.1 实验数据集描述

4.4.2 结点选取方式确定

4.4.3 滑动窗长的最优组合确定与预测效果对比

4.5两种预测模型的融合

4.6本章小结

总结展望

参考文献

攻读硕士学位期间取得的研究成果

致谢