基于递归神经网络的快速车辆轨迹数据预测

论文摘要

随着时代的迅猛发展,GPS（Global Positioning System）定位几乎普及应用到各个领域。GPS在车载系统上的应用也颇为成熟。车辆轨迹信息的预测,对车流量的控制、车辆行驶的安全、基于位置的应用和服务有着重要的意义。本文是基于递归神经网络方法,对GPS记录的车辆轨迹信息数据进行的预测研究,主要工作如下:（1）基于SVD-LSTM的车辆轨迹数据预测LSTM（Long Short Term Memory）的门结构虽然能够长期的保存车辆轨迹数据信息,选择性地记录车辆轨迹当前时刻的状态和累计的历史状态,更好地处理这种长序列的轨迹数据。但是LSTM模型对长短期状态记忆的这种门机制,使该模型具有更庞大的参数（参数占比最大的即网络层的权重）,导致模型训练速度较慢。针对以上因素,本文提出一种基于SVD-LSTM车辆轨迹数据预测方法（VTDP SVD-LSTM,Vehicle trajectory data prediction based on SVD-LSTM）。该方法通过SVD方法将LSTM层权重分解成两个较小矩阵,且相比普通的LSTM结构多构建了一个自定义层。通过这种多层分组的思想,减少了输入层以及中间层权重的维度,缩减了LSTM的计算量,加快了轨迹数据的训练速度。实验表明,SVD-LSTM预测车辆轨迹数据的训练速度比LSTM快了2.32倍,在保证快速的同时,预测轨迹点的准确率也能得到保证,可达71.9%。（2）基于FRU（Fourier Recurrent Units）的车辆轨迹数据预测基于SVD-LSTM预测车辆轨迹数据是从递归神经网络的外部结构入手实现的快速预测,在时间上虽然能取得较好优势,但预测的准确率不够高。因此,本文提出一种从神经网络内部,即改变门结构的递归单元入手,在减少误差,提高准确率的基础上,实现车辆轨迹数据的快速预测,即基于FRU的车辆轨迹数据预测方法（VTDP FRU,Vehicle trajectory data prediction based on FRU）。FRU（Fourier Recurrent Units）是一种非门结构的递归神经网络,它的傅里叶的残差学习结构能够有效地解决训练过程中的梯度消失和爆炸问题,提升训练稳定性,加速模型收敛速度,且对于任何车辆过去隐藏状态的总结都可以使用傅里叶统计的线性组合来近似,使预测轨迹点的误差更小。除此之外,由于傅里叶变换的强表达能力,可以使用较少参数,完整地表达车辆轨迹信息,花费了更少的训练时间和预测时间处理车辆轨迹数据。实验表明,FRU与其他对比模型的预测结果作比较,准确率最高,可达76.8%,训练速度是LSTM的3.27倍。因此,该方法不仅可以实现车辆轨迹数据的快速预测,还能更好地处理车辆轨迹数据的长期依赖问题,完整地保存了车辆轨迹的隐藏信息。（3）设计并实现基于递归神经网络的快速车辆轨迹数据预测原型系统本文设计了基于递归神经网络的快速车辆轨迹数据预测原型系统,可以更好地展示以上两个快速车辆轨迹数据预测方法所得出的预测效果。该系统可以选择存贮在数据库中的已下载数据集,选择数据预处理方法;导入训练集交给此系统进行训练,模型训练结束自动保存模型;输入测试集,系统加载已保存模型可以快速实现预测,为结果的呈现提供了很好的可视化。

论文目录

• 致谢
• 摘要
• abstract
• 1 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•   1.3 主要研究内容
•   1.4 论文结构
• 2 基于SVD-LSTM的车辆轨迹数据预测方法
•   2.1 引言
•   2.2 方法框架
•   2.3 车辆轨迹数据预处理
•   2.4 基于LSTM的车辆轨迹数据预测
•   2.5 基于SVD的 LSTM权重分解
•   2.6 实验及分析
•   2.7 本章小结
• 3 基于FRU的车辆轨迹数据预测方法
•   3.1 引言
•   3.2 方法框架
•   3.3 基于SRU的车辆轨迹数据预测
•   3.4 基于FRU的快速训练
•   3.5 实验及分析
•   3.6 本章小结
• 4 基于递归神经网络的快速车辆轨迹数据预测原型系统的设计与实现
•   4.1 系统架构概述
•   4.2 系统的设计
•   4.3 系统的实现
•   4.4 本章小结
• 5 总结与展望
•   5.1 主要研究成果
•   5.2 研究展望
• 参考文献
• 作者简历
• 学术论文数据集

文章来源

类型: 硕士论文

作者: 李想

导师: 张磊

关键词: 递归网络,车辆轨迹,快速预测

来源: 中国矿业大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 自然地理学和测绘学,公路与水路运输,计算机软件及计算机应用,自动化技术

单位: 中国矿业大学

分类号: TP183;P228.4;U495

总页数: 65

文件大小: 3242K

下载量: 285