论文部分内容阅读
随着城市规模一再扩张,经济能力的高速发展,同时还有出行需求量和车辆保有量不断攀升,随之而来的交通拥堵成为目前各大城市亟需解决的重大问题。如何有效的治理和缓解城市道路的交通拥堵问题,早己成为交通学者和各大城市相关部门争相研究的热门课题。若能提前知晓交通流的变化趋势或分布情况,便可提前进行交通诱导,为出行者规划更优的出行路线,以分解高峰出行时期道路的交通压力。与此同时先进技术的发展催生了智能交通系统(Intelligent Transportation System,ITS),并且被广泛地应用于交通管理。交通流信息作为ITS实施交通诱导的基础信息,具有十分重要的价值。高质量的短时交通流预测不仅能为交通诱导提供准确的道路信息,还能为出行者规划出合理的出行路线,以此提高道路空间的使用率,缓解主要道路的交通拥堵问题。但是,传统的交通流预测方法工序复杂、数据质量要求高、预测精度低,而最近基于深度学习的短时交通流预测方法能很好的克服这些缺点。
基于上述问题,本文通过对短时交通流进行特征分析和采集方法研究,对短时交通流错误数据进行了分类,并根据错误数据的特点和定义,提出了有针对性的错误数据识别方法。随后详细介绍了短时交通流预测方法,包含预测理论及方法比较、深度学习理论和模型,以及基于长短时记忆(LSTM)模型的结构,并进行参数标定,进而建立本文使用的LSTM模型。
同时,基于数据错误类型构造不同质量的数据,采用本文标定的LSTM模型,进行预测性能测试。通过对比不含错误数据和含有不同种类、不同比例错误数据的数据进行预测,预测结果呈现较大差异。因此,数据质量在模型预测过程中,起到关键作用,在预测前应该首先对历史数据进行质量评估。
最后,本文通过选取一般情境、节假日和异常天气三种不同的情境,并比较基于LSTM的短时交通流预测模型与其他预测模型ARIMA、KNN、SVM模型的预测结果。预测结果表明,LSTM模型在这三种情境下都能保持良好的预测性能,尤其是在异常天气和节假日这两种情境下,其预测精度远远高于其他预测模型。研究结果表明LSTM模型具有良好的稳定性,能够有效地学习数据的重要特征,当发生异常天气或在节假日时,其预测结果也能为交通诱导提供准确的交通流信息。
基于上述问题,本文通过对短时交通流进行特征分析和采集方法研究,对短时交通流错误数据进行了分类,并根据错误数据的特点和定义,提出了有针对性的错误数据识别方法。随后详细介绍了短时交通流预测方法,包含预测理论及方法比较、深度学习理论和模型,以及基于长短时记忆(LSTM)模型的结构,并进行参数标定,进而建立本文使用的LSTM模型。
同时,基于数据错误类型构造不同质量的数据,采用本文标定的LSTM模型,进行预测性能测试。通过对比不含错误数据和含有不同种类、不同比例错误数据的数据进行预测,预测结果呈现较大差异。因此,数据质量在模型预测过程中,起到关键作用,在预测前应该首先对历史数据进行质量评估。
最后,本文通过选取一般情境、节假日和异常天气三种不同的情境,并比较基于LSTM的短时交通流预测模型与其他预测模型ARIMA、KNN、SVM模型的预测结果。预测结果表明,LSTM模型在这三种情境下都能保持良好的预测性能,尤其是在异常天气和节假日这两种情境下,其预测精度远远高于其他预测模型。研究结果表明LSTM模型具有良好的稳定性,能够有效地学习数据的重要特征,当发生异常天气或在节假日时,其预测结果也能为交通诱导提供准确的交通流信息。