导读:本文包含了短时交通流量预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:交通,流量,神经网络,卷积,深度,分解,小波。
短时交通流量预测论文文献综述
许光斌[1]（2019）在《智慧交通短时流量预测研究》一文中研究指出交通流量预测及诱导是当前研究的热点,准确的预测交通流量才能高效规划和诱导交通,保证交通通畅。通过分析并搭建小波神经网络预测模型,利用现有短时交通流量数据进行训练验证并仿真,科学的指导交通流量的相应预测,从而精确的指导交通诱导。(本文来源于《数字通信世界》期刊2019年11期）
佟健颉,黎英,王一旋[2]（2019）在《基于深度残差网络的短时交通流量预测》一文中研究指出建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%～4%,可以看出该模型一定程度上提高了预测精度。(本文来源于《电子测量技术》期刊2019年18期）
晏臻,于重重,韩璐,苏维均,刘平[3]（2019）在《基于CNN+LSTM的短时交通流量预测方法》一文中研究指出针对传统的预测方法只考虑到了交通流量的时序特征,忽略了其空间特征这一问题,提出卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的短时交通流量预测模型。通过CNN挖掘相邻路口交通流量的空间关联性,通过LSTM模型挖掘交通流量的时序特征,将提取的时空特征进行特征融合,实现短期流量预测。实验结果表明,CNN+LSTM模型预测误差明显小于其它模型,验证了考虑时空特征进行交通流量预测的有效性。(本文来源于《计算机工程与设计》期刊2019年09期）
贾伟,赵雪芬[4]（2019）在《基于改进卷积神经网络的短时交通流量预测》一文中研究指出为了提高短时交通流量的预测准确率,提出采用改进的BP神经网络预测交通流量。首先,针对粒子群优化算法易陷入局部最优解和收敛速度慢的问题,提出改进一种的粒子群优化算法,通过双种群搜索的策略提高粒子群优化算法的寻优能力和收敛性。然后,利用改进的粒子群优化算法选取BP神经网络的权值和阈值。最后,将改进的BP神经网络应用到短时交通流量预测中。实验结果表明,与现有的BP神经网络相比,改进的BP神经网络能够有效提高交通流量预测的准确性。(本文来源于《现代计算机》期刊2019年25期）
李志帅,吕宜生,熊刚[5]（2019）在《基于图卷积神经网络和注意力机制的短时交通流量预测》一文中研究指出本文提出一种基于图卷积神经网络和注意力机制的短时交通流量预测模型.该模型利用图卷积网络捕获路网流量空间特征;利用自注意力机制调整网络输出,提高最终预测结果的精确度.实验结果表明,相较于对比方法,本文提出的图卷积注意力网络模型可提升预测精度.(本文来源于《交通工程》期刊2019年04期）
郑友康[6]（2019）在《基于SVR的道路交通流量短时预测》一文中研究指出随着智能交通技术的发展,车辆诱导系统作为智能交通系统的重要组成部分,已成为交通管理部门疏导城市道路交通的有效途径。短时交通流预测作为车辆诱导系统的关键技术以及智能交通领域非常重要的理论基础,通过对道路交通流的分析和预测,给用户提供最佳的行驶路线,优化交通管理方案,均衡交通流。但短时交通流量具有高度的非线性,复杂性,随机性,前人已经做了大量的工作,笔者引入了SVR来对路口的交通流量进行预测,支持向量回归(SVR)具有需求样本少,高抗干扰,泛化能力强的特点,实验表明本文所提方法收敛精度较高,收敛速度也满足要求。(本文来源于《计算机产品与流通》期刊2019年08期）
林麒麟,石欣鑫,俸世洲[7]（2019）在《智慧交通背景下的短时交通流量预测研究》一文中研究指出智能交通是智慧城市建设中不可或缺的一个重要板块,交通规划和交通诱导成为交通领域的研究热点。准确的交通流量预测是实现交通规划和诱导的前提。交通流量预测主要分为长期预测和短时预测,长期预测主要是以天、月甚至年为时间单位,进行宏观意义上的预测,短时预测一般时间跨度不超过15分钟。本文主要以短时预测为研究对象,采用小波神经网络算法对某地区进行预测研究。实验结果表明,该方法能够较好地实现该地区短时交通流量的预测,对智慧交通中的规划诱导有着重要的实际意义。(本文来源于《科技视界》期刊2019年19期）
潘伟靖,陈德旺[8]（2019）在《基于GRU-SVR的短时交通流量预测研究》一文中研究指出短时交通流量预测为智能交通系统(ITS)的研究方向之一。现有相关研究中所提及的基于深度学习的方法,需要较高的计算复杂度或模型的回归预测能力存在一定的不足。因此,提出一种将门循环单元(gated recurrent unit,GRU)与支持向量回归(support vector regression,SVR)相结合的模型。该模型一方面借助深度学习模型的强大能力进行特征提取工作,并相较长短时记忆网络(long short term memory,LSTM)降低了一定的计算量,同时,又以支持向量回归模型来增强整个模型的回归预测能力。文中基于Keras所提供的python库,完成实验设计及开发,根据实验结果对模型进行逐步调整,选择最优模型,并在PeMS数据集上对模型的泛化能力以及抗噪能力进行了测试。实验结果表明,与SVR以及GRU模型相比较,GRU-SVR模型预测精度分别提升了4%和1.6%,并且该模型具有一定的泛化及抗噪能力。(本文来源于《计算机技术与发展》期刊2019年10期）
程川云[9]（2019）在《基于张量模型的短时交通流量预测技术研究》一文中研究指出随着交通行业的不断发展,越来越多的人开始关注交通所带来的问题,交通问题不仅影响到出行效率和安全,同时也严重制约了社会的发展。基于交通数据的不断增长,人们迫切的希望找到有效的方法来挖掘交通大数据中的隐含信息解决一些交通难题,智能交通系统的发展为我们提供了有效的方向。短时交通流预测作为智能交通领域的一个研究热点,是实现智能交通控制和交通疏导的关键技术之一。本文结合交通数据的多维特性和非线性特性,构建动态张量模型,研究了不同维度影响下的短时交通流变化规律;同时,针对交通数据中存在的数据缺失问题给短时交通流预测带来的不利影响,结合张量分解的低秩特性研究交通数据的恢复策略,进一步深化对短时交通流预测的研究分析。本论文的主要研究工作和贡献如下:1.针对交通流预测数据具有的多维特征和非线性特性,本文引入张量模型对交通流数据进行分析,提出一种短时交通流预测方法。首先,采用层次聚类算法对相似交通流进行聚类,并从中提取内部相关性较强的路口进行预测。其次,结合时间维度上的多级别性(X为其可变参数),构建基于“路口-X-时段”张量分解的短时交通流预测模型。针对交通流的动态特性和不确定性,引入滑动窗口的思想并提出一种动态张量短时交通流预测模型,既能把交通数据的动态结构和多维特性很好结合,又缓解了一定数据稀疏情况下的预测不准难题。2.交通数据的丢失问题给短时交通流的预测和深层次挖掘带来较大的负面影响,本文针对数据缺失问题,在构建交通数据张量模型的基础上,引入交替方向乘子法,把张量恢复问题转化为低秩恢复模型,来估计丢失数据。该模型有效保持了交通数据的多模式时空相关性特征,有利于张量按各个模式展开和充分挖掘交通数据的多模式信息,实现部分缺失数据的恢复,促进对短时交通流预测技术的研究。最后,利用真实交通数据集进行实验验证。结果表明,融合交通流相似性度量和张量模型的算法,能够提高预测性能以及改善一定数据稀疏情况下的预测精度不准问题。同时,利用张量重建恢复交通数据的方法,在一定条件下算法取得了良好的效果,经恢复后的交通数据在短时交通流预测中也得到了更好的表现。(本文来源于《重庆邮电大学》期刊2019-06-02）
关莹莹[10]（2019）在《基于深度学习的ITS短时交通流量预测算法研究》一文中研究指出交通流量预测是智能交通系统(ITS)的关键技术之一,交通流量预测是指使用时间序列算法或智能计算方法,基于历史信息和其他影响因素来预测未来交通信息变化。由于交通系统受外界和内部干扰,使得交通参数具有一定的复杂性和随机性,单一的方法或算法很难准确的描述交通参数的变化情况,深度学习类方法因具有强大非线性处理和特征学习能力已经得到广泛应用,近来的研究中也出现了很多组合分析方法,可以结合多种算法的优势。本文以深度学习方法为基本预测算法,主要研究了叁大类交通流量预测方法:几种基本的时间序列分析方法、基于卷积网络(CNN)的时空预测算法、基于经验模态分解(EMD)和长短期记忆网络(LSTM)的时空预测算法。实验给出了各个算法的预测曲线分析,计算出衡量算法预测性能的误差指标并进行对比,可以得到以下结论:数据相同时,在算法误差指标方面,传统的时间序列预测分析方法最大,时空相关的CNN改进算法次之,时空EMD-LSTM类算法最小;在算法的复杂度和训练效率上,传统时间序列算法和基于LSTM类的算法比时空相关的CNN类算法快,复杂度低。最后,在所有仿真方法中,采用噪声辅助分析的时空EEMD-LSTM算法性能最优。本文取得的主要成果如下:首先研究了几种短时交通流量预测方法包括指数平滑算法、SVM和BP神经网络算法,几种基本时间序列预测方法能大致模拟交通流量的总体变化趋势,同时完成了交通流量数据的采集和清洗;随后采用了CNN的先进结构密集连接CNN,结合CNN固有的提取空间特征能力,提出利用两个时间特征尺度的密集连接卷积神经网络来进行预测,具有时空相关性的多时间维度的密集连接卷积网络融合预测能减少测误差,改进预测效果;最后利用EMD分解算法,采用多维IMF分量用多个LSTM分级预测的EMD-LSTM算法,明显减少了预测误差;加入噪声辅助分析的EEMD算法和LSTM构成组合预测算法,与前述所有预测方法对比,时空EEMD-LSTM算法具有最小的预测误差,预测效果最好。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
短时交通流量预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%～4%,可以看出该模型一定程度上提高了预测精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
短时交通流量预测论文参考文献
[1].许光斌.智慧交通短时流量预测研究[J].数字通信世界.2019
[2].佟健颉,黎英,王一旋.基于深度残差网络的短时交通流量预测[J].电子测量技术.2019
[3].晏臻,于重重,韩璐,苏维均,刘平.基于CNN+LSTM的短时交通流量预测方法[J].计算机工程与设计.2019
[4].贾伟,赵雪芬.基于改进卷积神经网络的短时交通流量预测[J].现代计算机.2019
[5].李志帅,吕宜生,熊刚.基于图卷积神经网络和注意力机制的短时交通流量预测[J].交通工程.2019
[6].郑友康.基于SVR的道路交通流量短时预测[J].计算机产品与流通.2019
[7].林麒麟,石欣鑫,俸世洲.智慧交通背景下的短时交通流量预测研究[J].科技视界.2019
[8].潘伟靖,陈德旺.基于GRU-SVR的短时交通流量预测研究[J].计算机技术与发展.2019
[9].程川云.基于张量模型的短时交通流量预测技术研究[D].重庆邮电大学.2019
[10].关莹莹.基于深度学习的ITS短时交通流量预测算法研究[D].哈尔滨工业大学.2019
论文知识图
