导读:本文包含了交通状态预测论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,长期记忆模型,短期交通速度预测
交通状态预测论文文献综述
黎旭成,唐校辉,王卓,陈振武,耿东雪[1]（2019）在《基于卷积神经网络和长短期记忆模型的交通状态预测》一文中研究指出本研究提出一种新型分层深度学习模型H-CLSTM-T,用以预测短期交通速度。模型结合卷积神经网络(CNN)和长短期记忆(LSTM)模型,首先通过深度卷积神经网络学习时空交通特征,然后将其输入至深度LSTM中学习时序学习,最后将分时和分日特征与CNN-LSTM模型中学习的时空特征相结合,得到交通量的季节变化趋势。通过利用深圳南坪快速路采集的速度及流量数据,将H-CLSTM-T模型与其他基准模型进行测试验证。实验结果表明,H-CLSTM-T模型的性能明显优于其他模型。同时该模型具有较强的可扩展性,可通过增加天气、长期季节性数据及交通事件信息等附加特征进一步提升全网流量预测精度。(本文来源于《品质交通与协同共治——2019年中国城市交通规划年会论文集》期刊2019-10-16）
闫贺,朱丽,戚涌[2]（2019）在《基于改进SVM的城市道路短时交通状态预测》一文中研究指出为提高短时交通状态预测的精度,使交通管理者更有效地进行交通规划和管理,本文把基于L_1范数距离度量的最小二乘孪生有界支持向量机(twin bounded support vector machine,TBSVM)扩展成多分类算法用于短时交通状态预测,简称MLSTBSVM_(L1).在实验数据上对MLSTBSVM_(L1)算法的有效性进行验证,实验结果表明,相比于其他预测算法,提出的MLSTBSVM_(L1)算法在预测精度上有较大提升.(本文来源于《南京师大学报(自然科学版)》期刊2019年03期）
王小洁[3]（2019）在《基于回声状态网络的船舶交通事故预测》一文中研究指出船舶交通事故的预测结果对船舶交通智能管理具有指导性意义,针对当前船舶交通事故的预测误差大,建模过程耗费时间长等难题,设计基于回声状态网络的船舶交通事故预测模型。首先对当前船舶交通事故预测研究现状进行分析,指出各种船舶交通事故预测建模方法的局限性,然后收集大量的船舶交通事故历史数据,并进行一定预处理,构建船舶交通事故预测样本数据,然后通过回声状态网络的学习建立船舶交通事故预测模型,并采用具体船舶交通事故预测仿真实例分析其性能,回声状态网络的船舶交通事故预测精度超过95%,预测结果十分稳定,缩短了船舶交通事故预测建模过程耗费的时间,是一种高精度、速度快的船舶交通事故预测方法。(本文来源于《舰船科学技术》期刊2019年16期）
郭骁炜,陈小妮,于泉,孙瑶[4]（2019）在《基于聚类分析和马尔科夫模型的交通状态预测》一文中研究指出在大数据背景下,对数据进行挖掘分析,发现其一般规律,以预测交通状态,从而为交通管理者制定合适的交通诱导与控制策略提供可靠的依据。为了对交通状态进行预测,对路口大量的检测器数据进行分析,选取交通量和时间占有率作为评价指标,采用k均值聚类方法确定各个指标的聚类中心并采用组合赋权的策略以设定各个指标的权重,采用线性分析法确定各个指标的隶属度函数,利用最大隶属度原则的模糊运算得出最终评价结果,实现对交通状态的实时评价。然后基于马尔科夫模型对未来交通状态进行预测。(本文来源于《公路》期刊2019年08期）
张瑞[5]（2019）在《基于多源监测数据的道路交通状态预测》一文中研究指出文章根据模糊数学的概念、流体力学等知识,在筛选海量数据后得出其相互关系,建立了道路畅通模型、拥堵预测模型以及新增车辆预测模型,分析道路畅通程度及预测道路拥堵状况,并进行了新增车辆的拥堵预测,最后对模型的合理性进行检验。(本文来源于《科技创新与应用》期刊2019年19期）
许佳佳,许倩,潘立琼[6]（2019）在《基于短时交通状态预测的交叉口导向车道智能转换系统》一文中研究指出由于交通流在道路网上的分布呈现出一定的时间和空间差异性,导致城市道路部分交叉口的交通流量流向分布不平衡,而基于单纯的信号配时优化对此类交叉口减少延误所起到的作用有限,提出一种交叉口导向车道智能转换系统对交叉口从空间上进行的动态优化.首先通过视频检测技术,对拟优化的交叉口以及周边邻近交叉口各方向连续时间内的短时交通流数据进行采集,分析短时交通流的时间与空间特性,建立时空数据融合的短时交通流预测方法;然后分析交通量、时间占有率和交通拥堵状态之间的关系,构建交通状态预测模型,对优化交叉口各方向后续短时交通状态进行预测;最后结合交叉口的信号控制周期制定可变车道的转变控制策略,对交叉口可变导向车道进行智能转变控制,以充分利用交叉口空间资源提升交叉口的交通运行效益.(本文来源于《喀什大学学报》期刊2019年03期）
杨斌[7]（2019）在《城市道路交通拥堵状态可靠性预测及判别方法研究》一文中研究指出随着城市机动车保有量的不断增加,市区道路交通拥堵带来的社会和经济问题越来越严重。为了有效地缓解交通拥堵,找到科学、高效的交通管理方法和策略,需要对道路交通拥堵状态进行预测,并明确实际的交通拥堵状态等级。本文分析了扬州市交通拥堵特性,建立拥堵均值预测模型和可靠性预测模型,并构建符合扬州市区实际情况的拥堵等级判别方法,最后基于拥堵预测模型和判别方法,对扬州城市道路交通拥堵典型路段进行实证分析。本文主要采用单整自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)建立拥堵均值预测模型;基于广义自回归条件异方差模型(Generalized Autoregressive Conditional Heteroskdasticity,简称 GARCH)建立拥堵可靠性预测模型:基于梯形隶属度函数的模糊综合评价方法,对交通拥堵状态等级进行判别。主要研究内容如下:1、对扬州市区社会、经济和道路的现状进行调研,并通过交通流数据挖掘分析找出扬州市道路交通常发性拥堵和偶发性拥堵的成因,总结提炼扬州市交通拥堵特征。2、构建基于时间序列的城市道路拥堵延时指数短时预测及可靠性预测性分析模型,并对预测结果进行性能评估。3、建立扬州市交通拥堵状态评价指标体系,应用基于梯形隶属度函数的模糊综合评价方法,基于典型路段及区域的实际数据和预测结果对交通拥堵等级进行判别。4、选取典型的扬州市交通拥堵影响因素进行实例验证,并将预测拥堵状态等级与实际情况进行对比分析,验证模型的可靠性。本文研究结果表明:1、扬州市道路交通常发性拥堵主要与道路基础设施不完善等因素有关,而偶发性拥堵可通过大数据分析找出天气、施工、节假日、交通事故、违章等影响因素。2、预测性能评估结果表明,本文构建的基于ARIMA均值预测模型精度普遍在90%以上;基于GARCH可靠性预测模型无效覆盖率基本在6%以内,置信区间宽度基本在0.5左右,具有较高的可靠性预测。3、通过交通拥堵状态预测和等级判别的实证分析,得出扬州市景区周边道路交通在不同节假日时间段呈现周期性拥堵现象;不同气候条件对道路交通拥堵状态有较为显着的影响;典型路段的交通拥堵状态预测结果与实际情况基本相符,变化趋势基本一致。(本文来源于《扬州大学》期刊2019-06-20）
梁迪[8]（2019）在《基于出租车GPS数据的城市快速路交通状态识别与预测》一文中研究指出交通拥堵不仅是交通管理者的难题,同时也是人们热议的话题。面对日益增加的车辆保有量、现有道路路网基本成型,想要从增加路段通行能力方面缓解交通拥堵已经是“天方夜谭”。快速准确地对交通状态进行识别、预测,成为缓解交通拥堵的重要手段。城市快速路作为城市路网的“骨干”部分,承担着城市很高比重的交通量。城市快速路的拥堵问题得不到解决,很有可能会演变成整个路网的交通拥堵。本文从解决实际交通拥堵问题出发,结合GPS数据与交通流理论分析,建立了交通状态划分与预测模型,主要内容如下:1、快速路GPS有效数据的获取。论文首先分析了GPS数据特征,针对数据冗余、数据漂移、数据缺失等异常数据提出了GPS数据预处理方法;借助ArcGIS平台的地图匹配算法对GPS数据进行空间优化,利用非线性支持向量机分类算法实现了快速路数据与路面数据的有效分离,从而筛选出位于快速路上的GPS有效数据,为后文分析快速路交通状态提供数据基础。2、快速路交通状态的划分。结合GPS数据的特点,选取路段行程速度以及速度方差为特征参数;根据数理统计理论确定实际交通状态划分所需的最小样本量并提出子路段空间长度与时间长度划分方法;利用回归分析确定出租车样本车速与真实道路车速之间的关系;以遗传算法改进的模糊C均值聚类算法建立了交通状态划分模型,通过实验对模型进行了验证。3、快速路交通状态预测方法构建。在分析传统神经网络的基础上,选取长短期记忆神经网络(LSTM)作为预测交通状态的方法。之后结合路段行程速度的时空相关性,建立基于LSTM神经网络的考虑匝道路段影响的行程速度预测模型。最后以预测的下一时段行程速度和当前时段的速度方差为下一时段的特征参数,预测下一时段的交通状态。分别针对快速路基本路段、匝道上游路段、匝道路段以及匝道下游路段,本文设计了交通状态预测的实验方案,并对实验结果进行对比分析。本文基于长春市出租车GPS数据,对所提出的城市快速路交通状态识别以及预测模型分别进行实例分析,最终将交通状态划分为严重拥堵、拥挤、缓行、畅通四个状态,对工作日的不同地点的交通状态进行预测,测试组共3840组数据,交通状态预测正确3789组,正确率98.67%,证实了模型的有效性。本文的研究结果对快速路的有效交通管理具有一定的理论和实际应用价值。(本文来源于《吉林大学》期刊2019-06-01）
姚午开,韩子雯,高志波[9]（2019）在《高速公路交通状态预测的多源数据融合研究》一文中研究指出针对目前高速公路交通状态预测大量使用单一数据源的不足,通过对收费站抽样刷卡数据与浮动车GPS数据的预处理,得到体现同一时间和同一空间的交通状态多源数据;采用极限学习机算法对高速公路交通状态进行预测和估计,并用行程时间指数TTI对道路交通状态进行估计;以广州机场高速公路南线为例,对比分析结果表明,采用多源数据融合模型得出的行程时间均方根误差和平均绝对百分比误差均小于单一数据源模型,且极限学习机在数据准确性与稳定性上均有良好效果,优化率分别为80.6%、53.7%。(本文来源于《公路与汽运》期刊2019年03期）
邵鹏[10]（2019）在《基于融合SNN模型深度学习算法的交通状态预测研究》一文中研究指出随着交通需求逐渐加大,道路交通拥堵问题也愈发严重。交通状态预测是准确进行交通管理与控制的重要依据之一,基于此,本文研究了一种基于融合SNN模型深度学习算法的交通状态预测方法,并建立一种考虑大型车因素的城市路网交通状态预测模型。本文的主要研究内容和创新之处有:(1)交通状态分析和交通数据预处理。确定以速度参量作为交通拥挤状态的划分标准,使用K-Means聚类算法作为交通状态划分方法,针对交通数据特征,设计了有限冲击响应(Finite Impulse Response,FIR)滤波器。(2)交通流速度预测算法设计。搭建了深度门限递归(Gated Recurrent Unit,GRU)神经网络,针对深度网络隐藏层全连接机制的不足,将脉冲神经网络(Spiking neural network,SNN)中积分点火神经元的信息传递机制融合到GRU神经网络的隐藏层,重新建立了神经元间的信息传递机制;利用美国联邦公路局的开放数据进行模型的预测效果评价,结果表明:Spiking-GRU神经网络具有较好的预测精度和收敛速度。(3)考虑大型车因素的城市路网道路交通状态预测。以行驶流路段作为研究对象,通过灰色关联度理论分析大型车占比与路网交通状态评分的关系;进而,基于路网路段时空特性进行了预测时长指数的分析;通过路网仿真的车辆数据,对路网拥堵路段进行了交通状态预测,实验结果表明:将大型车因素考虑到神经网络之后,Spiking-GRU神经网络有着更好的预测精度和收敛速度。本文根据交通数据的特性,从数据预处理、深度学习神经网络搭建和城市道路大型车因素分析叁个方面,对道路交通状态预测进行了相应的分析。分析结果表明:本文研究的融合SNN模型深度学习算法可以较为准确的对道路交通状态进行预测,可以为交通管理与控制提供良好的参考依据。(本文来源于《北方工业大学》期刊2019-05-22）
交通状态预测论文开题报告
（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：
为提高短时交通状态预测的精度,使交通管理者更有效地进行交通规划和管理,本文把基于L_1范数距离度量的最小二乘孪生有界支持向量机(twin bounded support vector machine,TBSVM)扩展成多分类算法用于短时交通状态预测,简称MLSTBSVM_(L1).在实验数据上对MLSTBSVM_(L1)算法的有效性进行验证,实验结果表明,相比于其他预测算法,提出的MLSTBSVM_(L1)算法在预测精度上有较大提升.
（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。
交通状态预测论文参考文献
[1].黎旭成,唐校辉,王卓,陈振武,耿东雪.基于卷积神经网络和长短期记忆模型的交通状态预测[C].品质交通与协同共治——2019年中国城市交通规划年会论文集.2019
[2].闫贺,朱丽,戚涌.基于改进SVM的城市道路短时交通状态预测[J].南京师大学报(自然科学版).2019
[3].王小洁.基于回声状态网络的船舶交通事故预测[J].舰船科学技术.2019
[4].郭骁炜,陈小妮,于泉,孙瑶.基于聚类分析和马尔科夫模型的交通状态预测[J].公路.2019
[5].张瑞.基于多源监测数据的道路交通状态预测[J].科技创新与应用.2019
[6].许佳佳,许倩,潘立琼.基于短时交通状态预测的交叉口导向车道智能转换系统[J].喀什大学学报.2019
[7].杨斌.城市道路交通拥堵状态可靠性预测及判别方法研究[D].扬州大学.2019
[8].梁迪.基于出租车GPS数据的城市快速路交通状态识别与预测[D].吉林大学.2019
[9].姚午开,韩子雯,高志波.高速公路交通状态预测的多源数据融合研究[J].公路与汽运.2019
[10].邵鹏.基于融合SNN模型深度学习算法的交通状态预测研究[D].北方工业大学.2019