基于深度學(xué)習(xí)的路網(wǎng)短時(shí)交通流預(yù)測(cè).pdf

1、為解決日益嚴(yán)重的交通擁堵問(wèn)題，智能交通系統(tǒng)被廣泛應(yīng)用于動(dòng)態(tài)交通管理當(dāng)中，有效緩解了交通擁堵、提高了道路通行效率。隨著交通數(shù)據(jù)采集技術(shù)的不斷發(fā)展，及時(shí)獲取路網(wǎng)中實(shí)時(shí)的交通數(shù)據(jù)已成為可能，大量的交通信息為路網(wǎng)交通狀態(tài)的分析和預(yù)測(cè)研究提供了數(shù)據(jù)保障。交通流預(yù)測(cè)在智能化交通管理和動(dòng)態(tài)控制中占有重要地位，是實(shí)現(xiàn)交通誘導(dǎo)的前提，實(shí)時(shí)、準(zhǔn)確的路網(wǎng)短時(shí)交通流預(yù)測(cè)有助于更好的分析路網(wǎng)交通狀況，對(duì)路網(wǎng)交通規(guī)劃和交通優(yōu)化控制有非常重要的作用。
　　針對(duì)

2、大型的交通網(wǎng)絡(luò)，傳統(tǒng)的單個(gè)路段的交通流預(yù)測(cè)不能完全反映實(shí)時(shí)的路網(wǎng)交通狀況，本文針對(duì)現(xiàn)有短時(shí)交通流預(yù)測(cè)方法的不足，提出了一種基于深度學(xué)習(xí)的路網(wǎng)短時(shí)交通流預(yù)測(cè)方法。首先對(duì)交通流數(shù)據(jù)的時(shí)空特性進(jìn)行分析，根據(jù)交通流的時(shí)間特性將數(shù)據(jù)分為周末和非周末兩類(lèi)，根據(jù)交通流在空間上的相關(guān)性，通過(guò)設(shè)定不同的相關(guān)系數(shù)閾值對(duì)路段進(jìn)行分組；其次，應(yīng)用譜分解的方法將交通流數(shù)據(jù)分為趨勢(shì)項(xiàng)和隨機(jī)波動(dòng)項(xiàng)；再次，對(duì)路網(wǎng)交通流矩陣進(jìn)行CX分解，應(yīng)用路段之間的相關(guān)性構(gòu)造路網(wǎng)壓縮

3、矩陣；然后，采用深度學(xué)習(xí)中的深度信念網(wǎng)絡(luò)模型結(jié)合支持向量回歸建立DBN-SVR短時(shí)交通流預(yù)測(cè)模型；最后，以美國(guó)交通研究數(shù)據(jù)實(shí)驗(yàn)室提供的實(shí)際高速公路的區(qū)域路網(wǎng)交通流量數(shù)據(jù)驗(yàn)證了方法的可行性。
　　通過(guò)實(shí)驗(yàn)仿真分析得出:（1）趨勢(shì)項(xiàng)信號(hào)可以影響預(yù)測(cè)的精度，設(shè)置最優(yōu)的頻譜閾值去除趨勢(shì)項(xiàng)能夠使得預(yù)測(cè)誤差減少5％；（2）壓縮后的路網(wǎng)預(yù)測(cè)運(yùn)行時(shí)間明顯減少，節(jié)約時(shí)間90%；（3）本文提出的預(yù)測(cè)模型在預(yù)測(cè)精度上優(yōu)于其他預(yù)測(cè)模型，預(yù)測(cè)誤差比SVR模