基于深度学习的短时交通拥堵预测模型
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状综述 | 第10-14页 |
| 1.2.1 浮动车采集路况信息技术的研究现状 | 第10-11页 |
| 1.2.2 交通拥堵评估的研究现状 | 第11-12页 |
| 1.2.3 交通拥堵预测的研究现状 | 第12-13页 |
| 1.2.4 深度学习的研究现状 | 第13-14页 |
| 1.3 研究主要内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 2 基础理论与相关技术 | 第16-19页 |
| 2.1 交通流参数 | 第16-17页 |
| 2.1.1 交通量 | 第16页 |
| 2.1.2 平均速度 | 第16-17页 |
| 2.1.3 密度 | 第17页 |
| 2.2 深度学习方法 | 第17-18页 |
| 2.2.1 无监督或生成式学习的深度网络 | 第17页 |
| 2.2.2 有监督学习的深度网络 | 第17-18页 |
| 2.2.3 混合深度网络 | 第18页 |
| 2.3 本章小结 | 第18-19页 |
| 3 交通拥堵识别模型与城市交通数据处理 | 第19-28页 |
| 3.1 交通拥堵识别模型框架 | 第19-20页 |
| 3.2 交通拥堵识别方法 | 第20-21页 |
| 3.3 城市交通数据介绍 | 第21-23页 |
| 3.4 出租车GPS数据预处理 | 第23-26页 |
| 3.4.1 预处理流程 | 第23页 |
| 3.4.2 数据筛选 | 第23-25页 |
| 3.4.3 参数提取 | 第25-26页 |
| 3.5 交通拥堵识别结果 | 第26-27页 |
| 3.6 本章小结 | 第27-28页 |
| 4 基于深度学习的短时交通拥堵预测模型 | 第28-43页 |
| 4.1 堆叠自动编码器 | 第28-31页 |
| 4.2 短时交通拥堵预测框架 | 第31-32页 |
| 4.3 交通流参数分布特性 | 第32-36页 |
| 4.3.1 交通量时空分布特性 | 第32-34页 |
| 4.3.2 平均速度时空分布特性 | 第34-36页 |
| 4.4 基于SAE的短时交通量预测模型 | 第36-39页 |
| 4.4.1 输入向量的选择 | 第36-37页 |
| 4.4.2 模型的训练 | 第37-39页 |
| 4.5 基于SAE的短时交通速度预测模型 | 第39-41页 |
| 4.6 本章小结 | 第41-43页 |
| 5 实验分析 | 第43-55页 |
| 5.1 实验环境 | 第43页 |
| 5.2 性能指标 | 第43-44页 |
| 5.3 基于SAE的短时交通量预测算法 | 第44-49页 |
| 5.3.1 参数的确定 | 第44-46页 |
| 5.3.2 预测结果 | 第46-49页 |
| 5.4 基于SAE的短时平均速度预测算法 | 第49-52页 |
| 5.4.1 参数的确定 | 第49页 |
| 5.4.2 预测结果 | 第49-52页 |
| 5.5 短时交通拥堵预测结果 | 第52-54页 |
| 5.6 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录A 交通拥堵识别结果图 | 第59-62页 |
| 附录B 交通量时空分布特性结果图 | 第62-65页 |
| 附录C 平均速度时空分布特性结果图 | 第65-68页 |
| 附录D 交通量预测结果图 | 第68-71页 |
| 附录E 平均速度预测结果图 | 第71-74页 |
| 附录F 交通拥堵等级预测结果图 | 第74-77页 |
| 攻读硕士学位期间发表学术论文情况 | 第77-78页 |
| 致谢 | 第78-79页 |
