深度异步残差网络及在路网交通流预测中的应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-24页 |
| 1.1 技术背景 | 第13-17页 |
| 1.1.1 智能交通系统 | 第13-14页 |
| 1.1.2 深度学习发展 | 第14-16页 |
| 1.1.3 基于图形处理器的高密度计算 | 第16-17页 |
| 1.2 提出问题 | 第17-20页 |
| 1.3 解决思路及其相关方法 | 第20-21页 |
| 1.4 实验设计 | 第21-22页 |
| 1.5 文章结构 | 第22-24页 |
| 2 文献综述 | 第24-28页 |
| 2.1 交通流预测方法 | 第24-25页 |
| 2.2 深度学习方法 | 第25-26页 |
| 2.3 深度学习在交通流预测中的应用 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 深度学习交通流预测方法 | 第28-37页 |
| 3.1 多层感知器 | 第28-30页 |
| 3.2 堆叠自编码器 | 第30-32页 |
| 3.2.1 自编码器 | 第30-31页 |
| 3.2.2 堆叠自编码器模型 | 第31-32页 |
| 3.3 循环神经网路 | 第32-34页 |
| 3.4 长短期记忆网络 | 第34页 |
| 3.5 门限循环单元 | 第34-35页 |
| 3.6 本章小结 | 第35-37页 |
| 4 深度异步残差架构 | 第37-48页 |
| 4.1 中心模块 | 第37-39页 |
| 4.2 独立模块 | 第39页 |
| 4.3 异步残差 | 第39-46页 |
| 4.3.1 ResNet | 第40-41页 |
| 4.3.2 泛化模型信息残留 | 第41-42页 |
| 4.3.3 异步残差 | 第42-43页 |
| 4.3.4 残差信息分解与模型训练 | 第43-46页 |
| 4.4 整体架构 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 实验分析 | 第48-62页 |
| 5.1 PEMS-SF数据集 | 第48页 |
| 5.2 模型实现 | 第48-50页 |
| 5.3 评价指标 | 第50页 |
| 5.4 实验环境 | 第50-53页 |
| 5.4.1 Tensorflow | 第51页 |
| 5.4.2 Keras | 第51-52页 |
| 5.4.3 PAI | 第52-53页 |
| 5.5 实验分析 | 第53-61页 |
| 5.6 本章小结 | 第61-62页 |
| 6 结论 | 第62-64页 |
| 6.1 文章结论 | 第62页 |
| 6.2 创新点与工作量 | 第62-63页 |
| 6.3 研究展望与改进 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 附录A | 第70-80页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第80-82页 |
| 学位论文数据集 | 第82页 |
