基于深度學習的路網短時交通流預測.pdf_第1頁
已閱讀1頁,還剩68頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、為解決日益嚴重的交通擁堵問題,智能交通系統(tǒng)被廣泛應用于動態(tài)交通管理當中,有效緩解了交通擁堵、提高了道路通行效率。隨著交通數據采集技術的不斷發(fā)展,及時獲取路網中實時的交通數據已成為可能,大量的交通信息為路網交通狀態(tài)的分析和預測研究提供了數據保障。交通流預測在智能化交通管理和動態(tài)控制中占有重要地位,是實現交通誘導的前提,實時、準確的路網短時交通流預測有助于更好的分析路網交通狀況,對路網交通規(guī)劃和交通優(yōu)化控制有非常重要的作用。
  針對

2、大型的交通網絡,傳統(tǒng)的單個路段的交通流預測不能完全反映實時的路網交通狀況,本文針對現有短時交通流預測方法的不足,提出了一種基于深度學習的路網短時交通流預測方法。首先對交通流數據的時空特性進行分析,根據交通流的時間特性將數據分為周末和非周末兩類,根據交通流在空間上的相關性,通過設定不同的相關系數閾值對路段進行分組;其次,應用譜分解的方法將交通流數據分為趨勢項和隨機波動項;再次,對路網交通流矩陣進行CX分解,應用路段之間的相關性構造路網壓縮

3、矩陣;然后,采用深度學習中的深度信念網絡模型結合支持向量回歸建立DBN-SVR短時交通流預測模型;最后,以美國交通研究數據實驗室提供的實際高速公路的區(qū)域路網交通流量數據驗證了方法的可行性。
  通過實驗仿真分析得出:(1)趨勢項信號可以影響預測的精度,設置最優(yōu)的頻譜閾值去除趨勢項能夠使得預測誤差減少5%;(2)壓縮后的路網預測運行時間明顯減少,節(jié)約時間90%;(3)本文提出的預測模型在預測精度上優(yōu)于其他預測模型,預測誤差比SVR模

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論