导读:本文包含了交通流预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:智能交通系统,LSTM-BP模型,时间序列,短时交通流预测
交通流预测模型论文文献综述
李明明,雷菊阳,赵从健[1]（2019）在《基于LSTM-BP组合模型的短时交通流预测》一文中研究指出为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络(LSTM)和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTMBP的短时交通流精确预测.通过与LSTMBPWNN叁种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.(本文来源于《计算机系统应用》期刊2019年10期）
温惠英,张东冉,陆思园[2]（2019）在《GA-LSTM模型在高速公路交通流预测中的应用》一文中研究指出为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.(本文来源于《哈尔滨工业大学学报》期刊2019年09期）
殷礼胜,唐圣期,李胜,何怡刚[3]（2019）在《基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测》一文中研究指出针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。(本文来源于《电子与信息学报》期刊2019年09期）
周海赟,闫冬梅[4]（2019）在《基于SSARX-NARX模型的短时交通流预测》一文中研究指出为了提高短时交通流的预测精度,向出行者提供更加准确可靠的道路交通信息,在充分考虑交通系统非线性特征的基础上,提出了基于SSARX-NARX的短时交通流预测模型。该模型以NARX作为短时交通流预测基础模型,采用SSARX方法建立了短时交通流预测状态空间模型并估计了模型参数,然后将估计出的状态空间模型的系统阶次和马尔科夫参数的值分别作为NARX基础预测模型线性部分的初始参数值,优化后构造了SSARX-NARX预测模型。利用PeMS数据库的交通流数据,验证了SSARX-NARX模型的预测性能,比较了SSARX-NARX模型与SSARX模型的预测精度。结果表明,SSARX-NARX模型可以实现1步和多步短时交通流预测,并且针对5步和10步短时交通流预测,SSARX-NARX模型的MAPE值分别比SSARX模型小0.76%和2.4%,而针对1步交通流预测,SSARX-NARX模型的MAPE值比SSARX模型大0.13%,但相差不大。(本文来源于《交通信息与安全》期刊2019年04期）
赵宏,翟冬梅,石朝辉[5]（2019）在《短时交通流预测模型综述》一文中研究指出介绍短时交通流预测的背景和意义,将短时交通流预测的方法分为5类,包括基于统计分析的预测模型、非线性理论模型、基于仿真的预测模型、智能预测模型及混合预测模型。对这5类预测模型进行逐一介绍,并对其在算法复杂度、预测精度、计算时长、适用路段等方面进行分析。短时交通流预测研究领域今后可能的发展趋势是数据来源多样化、混沌理论和深度学习逐渐发展,组合预测模型更加多样,预测精度不断提高。(本文来源于《都市快轨交通》期刊2019年04期）
邓晶,张倩[6]（2019）在《基于数据挖掘技术的交通流预测模型》一文中研究指出本文针对交通数据挖掘领域的交通流预测问题进行研究和实现.主要对数据挖掘技术应用于交通流数据的特征选择和交通流预测模型的建立提出算法.在对采样数据进行清洗后,以分类与回归决策树作为基学习器,采用梯度提升决策树进行回归拟合,计算出交通数据的特征重要度.并以此重要度作为自适应特征选择的依据.其次,采用聚类算法对选取后的特征数据进行聚类分析,缩小样本大小的同时,同类数据更加相似.最后,以实时数据匹配相应聚类作为训练数据集,使用经过人工鱼群算法优化参数后的支持向量机进行交通流预测.本文结尾通过实验数据论证本文所提出的算法和模型.(本文来源于《计算机系统应用》期刊2019年07期）
颜秉洋,唐敏佳,周长庚,李银萍[7]（2019）在《基于ANFIS混合模型的短时交通流预测》一文中研究指出城市短时交通流预测可以帮助人们选择出行最优路线,提高出行效率,其研究在交通拥堵日益严重的今天十分必要.受天气等多种因素影响,短时交通流的精确预测比较困难,为改善短时交通流预测的精度,本文提出了一种基于自适应模糊推理系统(ANFIS)的混合模型.该混合模型用周期性知识模型及残差数据驱动ANFIS模型集成得到.为验证所提出的混合模型的性能,与倒向传播神经网络(BPNN)模型和普通ANFIS模型进行对比.实验结果证明混合模型在交通流预测方面有更好的适用性和准确度.(本文来源于《计算机系统应用》期刊2019年06期）
张卓伟,陶刚,李熙莹,桂林卿,张伟斌[8]（2019）在《基于SCATS数据的城市短时交通流组合预测模型》一文中研究指出实时准确的短时交通流量预测是城市交通控制的前提条件。现有的研究往往不能充分考虑交通流时间序列间的时空相关性,且提出的单一预测模型通常仅能利用数据中的部分有用信息,导致模型的预测精度不高。本文提出了一种基于悉尼协调自适应交通控制系统(SCATS)数据的城市短时交通流组合预测模型。通过对预测断面及其相邻区域内的断面组应用多维标度法,找出与预测断面相关性较高的一些断面,再对由这些断面的不同时滞形成的时空特征进行特征选择,最后确定出最佳输入特征。同时,将卡尔曼滤波模型与支持向量回归机(SVR)模型线性加权得到的组合预测模型能够利用两个模型的各自优势,取得更佳的预测效果。实验结果表明:与其他常用模型及其模型的变体相比,本文提出的组合预测模型的预测精度最高。(本文来源于《2019世界交通运输大会论文集（上）》期刊2019-06-13）
李敏[9]（2019）在《基于GJR-GARCH模型和一种集成学习方法的短时交通流预测研究》一文中研究指出智能城市的建设是当今社会城市建设发展的主流,智能交通系统建设与完善是构建智能城市的重要板块。交通犹如城市的血液,交通控制与管理的智能化、系统化,能够有效缓解城市道路交通拥堵难题,并切实提高城市道路的交通利用率。交通流预测是智能交通系统中信息处理、机动控制、智能管理的关键要素之一,交通流量精准实时预测,不仅能够帮助有效掌控道路的交通流状况,提升道路适行能力,解决交通拥堵道路困扰,而且能够减少环境污染,提高交通服务水平,增强市民的出行体验感。因此,短时交通流的实时预测研究对智能交通系统建设和完善以及智慧城市的构建具有重要意义。本文以美国加利福尼亚州戴维斯附近的I80走廊的传感器数据为研究对象,对采集的交通流量数据进行数据清洗、特性分析,考察分析交通数据的高斯混合分布特性以及交通流可看作混沌时间序列的必然性。通过考察交通流数据的高斯混合分布特性,使用GJRGARCH模型进行预测,得到基于时间序列模型的初步预测,对预测数据添加服从高斯混合分布特征的噪声对预测进行修正优化。另一方面,获取相空间重构的基本参数:延迟时间和嵌入维数,采用相空间重构数据用集成支持向量回归模型进行进一步预测。最后,通过一种简易的融合方法融合时间序列模型预测结果和基于相空间重构的集成支持向量回归模型的预测结果,结合时间序列对高峰时期的优势预测以及机器学习模型下的动态预测,得到更优预测。我们将融合模型的预测结果与时间序列模型以及SVR模型预测结果进行对比分析。经过验证,相比于未经过优化和未经过集成的模型,该融合模型具有更优的预测性能,能够对短时交通流进行更有效预测。(本文来源于《太原理工大学》期刊2019-06-01）
赵鲁[10]（2019）在《短期交通流深度学习预测模型及其并行训练》一文中研究指出实时、准确的短期交通流预测是交通控制与交通诱导的前提,对交通拥堵的缓解、社会经济的进步有着重要的意义。深度学习的出现为交通流预测提供了新的思路,本文采用深度信念网络(deepbeliefnetwork,DBN)与栈式自动编码器(stacked autoencoder,SAE)两种深度网络分别构建交通流预测模型,通过无监督学习的方式提取交通流特征。然而,DBN与SAE预测模型的训练过程是非常耗时的,不能很好满足交通流预测应用系统的实时性要求。本文提出了一种基于数据并行方式的并行训练策略,分析了并行训练的可行性,推导了并行训练的公式,从而缩短了两种交通流预测模型的训练时间,提高了预测应用的实时性。具体研究内容如下:首先,选取单路段单个断面的交通流量为研究对象,基于两种深度学习网络分别构建交通流预测模型,并完成模型的训练与测试过程。将其测试结果与传统模型的测试结果进行对比。本文选用的传统模型包括BP神经网络(backpropagation neural network,BP-NN)与支持向量机(support vectormachine,SVM)。仿真结果表明,两种基于深度网络的模型预测精度近似,且均优于传统模型的预测结果,这验证了深度学习模型在交通流预测方面的优势。其次,采用相关方法优化预测模型。对于深度网络广泛存在的梯度消失问题,选用修正线性单元(rectified linearunit,ReLU)作为激活函数,代替原先的sigmoid函数。为了防止训练过程陷入局部极小值,在梯度下降过程中加入动量法。对于训练中出现的过拟合问题,采用dropout方法进行消除,提高模型的泛化能力。最后,为了解决上述两种深度学习模型训练过程耗时长的问题,本文提出一种基于数据并行方式的并行训练方法。对训练过程中用到的BP算法与对比散度(contrastivedivergence,CD)算法进行并行可行性分析,推导出两种算法的并行计算公式,并将其应用于训练过程的各个阶段。将训练数据平均分为n份,并分发到n个计算节点,其中1个主节点,n-1个从节点。从节点的作用是利用本地的子数据集进行交通流特征的提取,而主节点除了具有从节点的功能外,还要综合各从节点的计算结果,并将模型参数广播至各从节点。仿真结果表明,采用此并行方式,在预测精度得到保证的同时,减少了预测模型的训练时间。(本文来源于《北京交通大学》期刊2019-06-01）
交通流预测模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
交通流预测模型论文参考文献
[1].李明明,雷菊阳,赵从健.基于LSTM-BP组合模型的短时交通流预测[J].计算机系统应用.2019
[2].温惠英,张东冉,陆思园.GA-LSTM模型在高速公路交通流预测中的应用[J].哈尔滨工业大学学报.2019
[3].殷礼胜,唐圣期,李胜,何怡刚.基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测[J].电子与信息学报.2019
[4].周海赟,闫冬梅.基于SSARX-NARX模型的短时交通流预测[J].交通信息与安全.2019
[5].赵宏,翟冬梅,石朝辉.短时交通流预测模型综述[J].都市快轨交通.2019
[6].邓晶,张倩.基于数据挖掘技术的交通流预测模型[J].计算机系统应用.2019
[7].颜秉洋,唐敏佳,周长庚,李银萍.基于ANFIS混合模型的短时交通流预测[J].计算机系统应用.2019
[8].张卓伟,陶刚,李熙莹,桂林卿,张伟斌.基于SCATS数据的城市短时交通流组合预测模型[C].2019世界交通运输大会论文集（上）.2019
[9].李敏.基于GJR-GARCH模型和一种集成学习方法的短时交通流预测研究[D].太原理工大学.2019
[10].赵鲁.短期交通流深度学习预测模型及其并行训练[D].北京交通大学.2019