基于智能理论的短时交通流预测研究开题报告

 2021-11-23 09:11

1. 研究目的与意义(文献综述)

1.1背景

在“2020年全面建成小康社会”目标导引下,我国的经济近年来得到较好增长,社会生产力长足发展,人民生活水平显著提高。生产力发展和生活水平提高,导致全国机动车保有量显著增加。截至2019.06,全国机动车保有量达3.4亿辆;其中汽车2.5亿辆,汽车中私家车保有量为1.98亿辆。从城市分布来看,在全国范围内,汽车保有量超过100万辆的城市有66个;其中11个城市汽车保有量超300万辆,北京、成都的汽车保有量超500万辆。数量庞大的机动车可能对现有的道路设施造成巨大的流通压力,出现供不应求的情况,带来交通拥堵等问题。现代交通管理亟需更科学、更高效的管理方法。

再者,国内近年来兴起构建“智慧城市”的浪潮。目前全国至少有500座城市明确提出了构建智慧城市的相关方案。智能交通系统(ITS)作为智慧城市的一个重要组成部分,对于提高城市交通的效率,缓解道路拥堵情况具有不可或缺的作用。而短时交通流的预测,又是实现ITS的一个重要问题。短时交通流预测是根据当前和以往交通流数据,利用预测方法对未来5min至1h的交通流进行预测的过程。成功地实现ITS,需要更精确的短时交通流预测方法。

1.2目的与意义

机器学习技术已经成功广泛地应用于多个领域,论文拟将常见的两种机器学习理论支持向量机(SVM)、长短期记忆网络(LSTM)的应用延伸至短时交通流的预测中,并将预测的结果与传统预测模型预测结果进行对比,验证智能理论在交通流预测中的可行性与优越性。以求通过智能理论预测模型提高短时交通流预测的精度,更好地减少交通拥堵和提高交通效率。

研究意义主要有以下三点:

1)如今是一个大数据时代,交通流数据的收集变得更加容易,数据量也大大增加。采用智能理论来进行短时交通流预测能够更充分地利用收集的数据。

2)短时交通流具有随机性、大波动性、存在离群值等特点,相比于传统的基于线性统计理论的预测模型,基于智能理论的预测模型能够更好地挖掘数据的内存关系和影响因素,实现更精确地预测。

3)短时交通流的预测结果可以输入到交通信息系统(ATIS)和先进的交通管理系统(ATMS)中,为交通管理者提供决策支持,为出行者提供实时有效的信息,从而减少交通拥堵,提高交通效率。

1.3国内外研究现状

国内外学者对于短时交通流预测问题,开发出了大量的预测模型和各种模型的优化。总体而言,可以分为三类:基于统计理论的预测模型、基于知识发现的智能理论预测模型、多模型组合方法。

表1短时交通流预测方法汇总与对比

预测方法类型

典型方法

优点

缺点

统计理论

时间序列模型

卡尔曼滤波模型等

操作简单

计算复杂度低

在复杂突变情况下预测精度不高

智能理论

支持向量机模型

长短时记忆网络等

数据拟合能力强预测精度高

计算量大

参数训练复杂

组合模型

两种或两种以

上模型组合

有效利用不同模型的优势

模型之间关系较为复杂

第一类模型操作简单,计算复杂度较低,其背后的理论易于理解,包括时间序列模型、卡尔曼滤波模型等。

Ahmed和Cook首次在交通流预测领域提出时间序列模型,Box和Jenkins创立了自回归整数移动平均模型(ARIMA),成为了应用最广泛的时间序列模型之一[1]孙剑等学者以天气好坏、是否为工作日作为特性向量,设计一种时间序列聚类算法对不同时间尺度下快速路交通流进行预测[2]。唐毅等人从样本序列的动态选取及模型识别两方面进行优化传统时间序列预测[3]

卡尔曼滤波理论由Kalman提出,是一种在现代控制理论中被广泛采用的先进的埋单序列方法[1]。黄辉先等提出一种改进的基于分步式滤波融合算法的交通流预测模型[4]。Guo等针对传统卡尔曼滤波模型假设过程方差恒定的不足,提出一种能够更新过程方差的自适应卡尔曼滤波器[5]。Azadeh等提出一种基于模糊记忆的卡尔曼滤波预测模型,得到其预测精度优于传统卡尔曼滤波模型[6]

第二类模型不需要过多的先验知识,对数据的拟合能力强,包括支持向量机(SVM)预测模型、长短时记忆网络(LSTM)预测模型等。

傅贵等提出基于SVMR的短时交通流预测模型,得到预测误差小于基于卡尔曼滤波的预测方法[7]。李巧茹等提出一种基于SVM与自适应时空数据融合的预测模型,利用SVM对历史空间序列的预测值对时间序列预测结果进行修正[8]。Wang等利用模糊层次分析法对SVM的参数进行优化,用具有优化结构的支持向量机进行预测[9]

康军等提出一种基于贝叶斯估计原理的非参数机器学习方法的高斯回归预测模型,模型在预测的同时还可得到预测的方差估计值,据此可对预测的不确定性进行分析[10]

程政等人利用随机森林模型对短时交通流进行预测,得到其在效率、易用性及未来应用的扩展上都要优于支持向量机[11]

长短时记忆网络(LSTM)是传统递归网络(RNN)的一种改进,较好地解决了RNN梯度消失和梯度爆炸的问题。王祥雪等人构建了基于LSTM-RNN的城市道路短时交通流预测[12]。张海鹏等基于公交车GPS数据,利用LSTM对交通流速度数据进行预测[13]。李佳文等分别使用堆叠自动编码机(SAE)模型、长短时记忆网络(LSTM)模型和门控循环单元(GRU)模型对机场交通流数据进行预测,证明了模型的可靠性[14]。针对交叉口四方向进口的交通流量具有时空相关性的特点,钟晨昊等人以四方向的交通流数据作为输入进行预测,与传统BP神经网络相比,预测精度更高[15]

第三类组合预测模型是Bates等提出的一种预测策略,旨在克服单一基础模型的缺陷,结合多种模型的优势,来获得更可靠、有效的预测结果。贺国光提出一种基于非参数回归的组合方法PCA-FC-NPR, 对原始数据进行主成分分析PCA (PrincipalComponent Analysis)和模糊聚类FC(Fuzzy Clustering) 的基础上, 采用以数据驱动的k-近邻非参数回归方法NPR (Non-Parametric Regression) 加以预测[16]

邵春福等人结合小波和最小二乘向量机的优势,提出一种基于小波包和最小二乘支持向量机的预测方法[17]。邴其春等提出一种基于粒子群优化的组合核相关向量机模型,构造组合核函数并利用粒子群算法优化参数[18]

张敬磊等提出一种基于灰色GM(1,1)和RBF网络非线性组合的短时交通流预测方法。胡浩等基于ARMA模型和BP神经网络模型的组合预测模型进行交通流预测[19]。Wang等提出了一种结合季节自回归综合移动平均模型的深度多项式神经网络模型[20]

总的来说,短时交通流的预测在交通领域是一个热点问题,国内外学者已提出了很多预测模型、算法。近年来,各种智能理论越来越多地应用在短时交通流预测中,相比于传统的线性系统预测模型,智能模型预测的精度确实能有较好的提升。因此,基于两种智能理论,支持向量机和长短时记忆网络,对交通流进行预测和比较,是具有研究意义的。

2. 研究的基本内容与方案

2.1研究目标

论文基于两种智能理论支持向量机和长短时记忆网络分别对短时交通流进行预测,构建支持向量机预测模型和长短时记忆网络预测模型,根据实际收集的交通流数据对模型进行实证研究,并与传统的时间序列模型预测进行比较。验证两种智能理论在短时交通流预测问题上的可行性,相对于传统预测模型的优越性。旨在进一步提高交通流预测的精度,为ITS提供更可信的数据支持。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

第1周:文献查阅与资料阅读,翻译相关的英文资料

第2-3周:撰写开题报告,完成开题

第4-5周:明确论文写作思路,构思论文框架,完成论文写作提纲第6-11周:解决论文核心研究内容,系统撰写毕业论文初稿

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1]刘静,关伟.交通流预测方法综述[J].公路交通科技,2004(03):82-85.

[2]陈鹏,孙剑,李克平.快速路交通流时间序列聚类预测方法与模型[J].交通与计算机,2008(05):49-52.

[3]唐毅,刘卫宁,孙棣华,魏方强,余楚中.改进时间序列模型在高速公路短时交通流量预测中的应用[J].计算机应用研究,2015,32(01):146-149.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

以上是毕业论文开题报告,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;