發(fā)布時間：2024-09-17 15:33

　　城市交通流量短時預測是智慧交通發(fā)展中的重要一步。本文基于北京市出租車GPS軌跡數據,對城市交通流進行了時空特性分析,利用深度神經網絡建立了兩種短時交通流時空預測模型,主要研究內容包括:(1)城市交通流時空特性分析。時間層面,按分鐘和日粒度進行交通流量統計和Pearson相關系數分析。發(fā)現城市交通流在時間上具有臨近性、周期性和趨勢變動性,且工作日和非工作日具有顯著的差異。每天的交通流量變化從細節(jié)上看,高平峰時段不完全固定,且幅值也不同�？臻g層面,從微觀上,對道路的交通流量進行了空間自相關分析,發(fā)現隨著道路間行駛距離的增加,道路交通流量的空間自相關性也隨之減弱。宏觀上,利用OD數據和POI數據進行核密度分析,發(fā)現不同的時段下交通流的演化規(guī)律。(2)短時交通流預測模型兩種思路闡述。從是否考慮城市路網拓撲結構的角度出發(fā),結合城市交通流時空特性設計了兩種預測模型�；�于網格劃分的城市區(qū)域短時交通流量時空預測模型從交流流量統計和道路空間關系處理的簡單性出發(fā),不考慮城市路網的拓撲結構。受城市網格管理的啟發(fā),將研究區(qū)域切分成多個規(guī)則網格并提出了一種基于注意力機制的CNN-LSTM時空預測模型。模型由空間組...

【文章頁數】：82 頁

【學位級別】：碩士

【部分圖文】：

圖1-1技術路線圖

第1章緒論8圖1-1技術路線圖Fig1-1Technologyroadmap1.3.2論文組織結構本文共分為五章，具體章節(jié)安排如下：第一章，緒論。介紹了本文研究背景與意義，然后分析了交通流預測的國內外研究現狀，包括整體的發(fā)展歷程、各個發(fā)展時期的代表性研究。再次，對本文所涉及深度學....

圖2-5RNN與LSTM對比

第2章相關技術理論14（a）前饋神經網絡（b）循環(huán)神經網絡圖2-4前饋神經網絡與循環(huán)神經網絡對比Fig2-4Comparisonbetweenfeedforwardneuralnetworkandcyclicneuralnetwork如圖2-4（b）所示，一個單層RNN結構的隱層....

圖2-6GRU內部結構

中國石油大學（華東）工程碩士學位論文15=([1,]+)(2-13)=tanh([1,]+)(2-14)（3）然后，對細胞狀態(tài)進行更新，形成新的記憶信息。通過上一時間步的狀態(tài)1與遺忘門相乘，遺忘先前決定遺忘的信息，輸入門乘以候選狀態(tài)向量，保留想要的信息，兩者相加，得到新的細胞狀態(tài)....

圖3-1北京市GPS軌跡數據說明Fig3-1DescriptionofBeijingGPStrackdata

中國石油大學（華東）工程碩士學位論文17第三章城市交通流時空特性分析城市交通是一個隨時間變化的復雜系統，交通流是車輛在道路中行駛隨時間推移形成的車流。城市交通流是一種典型的時空數據，從時間上看，城市交通狀態(tài)隨時間變化呈現出一定的相關性和時變性；從空間上看，因城市交通流自由度較大，....

本文編號：4005660