基于深度學習的路網(wǎng)短時交通流預(yù)測.pdf

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(yīng)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(shù)據(jù)采集技術(shù)的不斷發(fā)展，及時獲取路網(wǎng)中實時的交通數(shù)據(jù)已成為可能，大量的交通信息為路網(wǎng)交通狀態(tài)的分析和預(yù)測研究提供了數(shù)據(jù)保障。交通流預(yù)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(xiàn)交通誘導(dǎo)的前提，實時、準確的路網(wǎng)短時交通流預(yù)測有助于更好的分析路網(wǎng)交通狀況，對路網(wǎng)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(wǎng)絡(luò)，傳統(tǒng)的單個路段的交通流預(yù)測不能完全反映實時的路網(wǎng)交通狀況，本文針對現(xiàn)有短時交通流預(yù)測方法的不足，提出了一種基于深度學習的路網(wǎng)短時交通流預(yù)測方法。首先對交通流數(shù)據(jù)的時空特性進行分析，根據(jù)交通流的時間特性將數(shù)據(jù)分為周末和非周末兩類，根據(jù)交通流在空間上的相關(guān)性，通過設(shè)定不同的相關(guān)系數(shù)閾值對路段進行分組；其次，應(yīng)用譜分解的方法將交通流數(shù)據(jù)分為趨勢項和隨機波動項；再次，對路網(wǎng)交通流矩陣進行CX分解，應(yīng)用路段之間的相關(guān)性構(gòu)造路網(wǎng)壓縮

3、矩陣；然后，采用深度學習中的深度信念網(wǎng)絡(luò)模型結(jié)合支持向量回歸建立DBN-SVR短時交通流預(yù)測模型；最后，以美國交通研究數(shù)據(jù)實驗室提供的實際高速公路的區(qū)域路網(wǎng)交通流量數(shù)據(jù)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(yù)測的精度，設(shè)置最優(yōu)的頻譜閾值去除趨勢項能夠使得預(yù)測誤差減少5％；（2）壓縮后的路網(wǎng)預(yù)測運行時間明顯減少，節(jié)約時間90%；（3）本文提出的預(yù)測模型在預(yù)測精度上優(yōu)于其他預(yù)測模型，預(yù)測誤差比SVR模