基于组合神经网络模型的网约车短时交通流量预测研究

作     者：周玮昀 

作者单位：石家庄铁道大学 

学位级别：硕士

导师姓名：王书海;杜云霄

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082303[工学-交通运输规划与管理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 082302[工学-交通信息工程及控制] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：CNN LSTM 注意力机制 深度学习 短时交通流量预测 

摘      要：近年来,随着城市经济的快速发展,汽车数量的飞速增长,交通负荷迅猛加大,城市交通拥堵问题日益严重。大数据、物联网、5G、人工智能等现代信息技术的飞速发展和应用为改善交通状况提供了新思路,智能交通系统顺势而生。其中交通流量预测是智能交通实现的前提和关键技术之一。本文以城市网约车大数据为研究对象,结合交通时空数据特点,采用多种神经网络组合方式,对短时交通流量进行预测研究。主要工作内容如下:(1)通过对卷积神经网络CNN、长短时记忆神经网络LSTM和注意力机制的原理及网络结构进行研究,总结归纳其特征和优势,选择适用于城市网约车大数据的短时流量预测模型。(2)对选择的城市网约车大数据集进行分析和预处理,对重复数据进行清洗,对异常数据进行处理,将GPS轨迹点与电子地图进行匹配等。同时利用数据可视化技术对数据集进行分析,更深刻的展示了数据内在关系。(3)针对短时流量预测问题,根据交通流量的三种时间依赖特性,分别使用三个组件对交通数据进行建模。利用CNN和LSTM获取交通数据的时空依赖性,结合注意力机制动态调整不同历史时段对目标时段的影响程度。接下来对三个组件的结果进行加权融合,得到最终预测结果。并开展了实验设计,对实验结果进行分析论证。实验结果表明,本文提出的利用组合神经网络模型进行网约车短时交通流量预测方法能获得更好的评价,具有一定的理论和实际应用价值。