基于微波数据的连续交通流预测方法研究

摘要

随着城市化进程的飞速推进，人们对于交通的需求也在快速增长，城市逐渐出现供不应求的交通现象，机动车保有量不断增长，交通拥堵加剧，增加了出行者的时间成本和经济成本，不仅会引发出一系列的交通问题，进一步还会带来环境污染，“交通病”上升为“城市病”，问题亟待解决。如果能够对交通流进行实时、有效的预测，从而做出相应的交通管理策略，必将能够大大减少交通问题带来的负面影响，提升路网的整体运行效率。因此，对于交通流的预测有着非常必要且重大的意义。
　　首先，对国内外短时交通流预测研究现状进行归纳总结，提炼出本文的研究思路。为适应复杂交通流的时变性和非线性，本文考虑交通流时空关联特性，在此基础上，运用新的学习方法以取得更高的预测精度。
　　其次，简单介绍交通流数据的采集技术及预处理方法，并选择微波数据作为本文实验数据。结合数据借助相关系数和灰色关联度两种关联性度量指标，对交通流时空关联性进行分析。
　　最后，在深入了解交通流运行特性的基础上，提出两种机器学习方法用于速度参数的短时交通流预测。一是在使用稀疏表达方法对提取输入时空状态变量的前提下，搭建支持向量回归进行预测;二是利用深度学习思想，建立栈式自编码神经网络(SAE-DNN)交通流预测模型。在此模型框架下，结合贝叶斯理论进行融合，解决单一方法预测的局限性。使用北京市二环快速路的实测数据分别对上述模型进行实例验证。

目录

声明

致谢

摘要

1．1 研究背景及意义

1．2 交通流预测研究现状

1．2．1 交通流预测研究方法概述

1．2．2 国内外研究现状

1．3 研究内容及章节安排

1．4 技术路线

2 连续交通流时空特性分析

2．1 数据采集及预处理

2．1．1 交通流数据采集技术

2．1．2 交通流数据预处理

2．2 连续交通流时空关联机制

2．2．1 关联性度量

2．2．2 时间关联性分析

2．2．3 空间关联性分析

2．3 小结

3 基于支持向量回归的短时交通流预测

3．1 稀疏表达理论

3．1．1 稀疏表达

3．1．2 稀疏分解算法

3．2 支持向量机理论

3．2．1 支持向量机

3．2．2 支持向量回归

3．3 基于SR-SVR的短时交通流预测

3．3．1 建模过程

3．3．2 实例验证

3．4 小结

4 基于深度学习的短时交通流预测

4．1 深度学习概述

4．2 栈式自编码神经网络

4．2．1 传统人工神经网络

4．2．2 栈式自编码器

4．2．3 栈式自编码神经网络

4．3 基于SAE-DNN的短时交通流预测

4．3．1 建模过程

4．3．2 实例验证

4．4 小结

5 基于贝叶斯融合的短时交通流预测

5．1 集成学习思想

5．1．1 Boosting算法

5．1．2 Bagging算法

5．1．3 Boosting和Bagging的比较

5．2 贝叶斯理论

5．2．1 贝叶斯理论基础

5．2．2 贝叶斯理论在交通流预测中的应用

5．3 基于贝叶斯融合的短时交通流预测

5．3．1 建模过程

5．3．2 实例验证

5．4 小结

6．1 论文主要工作

6．2 不足与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集