基于微波数据的短时交通流量预测方法研究

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 统计理论预测方法

1.2.2 非线性理论预测方法

1.2.3 智能模型预测方法

1.2.4 交通仿真预测方法

1.2.5 组合模型预测方法

1.2.6 综合评述

1.3 研究内容及技术路线

2 城市快速路交通流特性分析

2.1 交通流基本参数

2.2 交通流三参数模型

2.3 交通流相关性分析

2.3.1 相关性理论

2.3.2 时间特性分析

2.3.3 空间特性分析

2.4 本章小结

3 交通流数据采集及预处理

3.1 数据采集

3.2 数据预处理

3.2.1 缺失和冗余数据

3.2.2 错误数据

3.2.3 数据修复

3.2.4 数据整合

3.2.5 归一化

3.3 本章小结

4 基于深度学习的短时交通流预测

4.1 深度学习理论

4.1.1 卷积神经网络

4.1.2 循环神经网络

4.1.3 门控循环单元

4.2 注意力机制

4.2.1 编码-解码模型

4.2.2 注意力模型框架

4.3 基于ACGRU的短时预测模型

4.3.1 目标函数

4.3.2 模型训练

4.4 实例分析

4.4.1 实验数据

4.4.2 评价指标

4.4.3 模型参数

4.4.4 结果分析

4.5 本章小结

5 基于Stacking算法的短时交通流预测

5.1 集成学习概述

5.1.1 Boosting 算法

5.1.2 Bagging 算法

5.1.3 Stacking 算法

5.2 实例验证

5.2.1 实验数据

5.2.2 评价指标

5.2.3 算法选取

5.2.4 实验模型

5.2.5 结果分析

5.3 本章小结

6 总结与展望

6.1 总结

6.2 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

独创性声明

学位论文数据集