导读:本文包含了交通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:城市交通网络,速度预测模型,汽车运行工况,威布尔分布
交通预测模型论文文献综述
施树明,李文茹[1]（2019）在《城市交通网络运行速度预测模型研究》一文中研究指出针对城市交通网络越来越复杂的问题,提出以汽车运行速度概率分布为判断指标,以长春市交通局提供的浮动车数据为基础,基于统计推断的方法得到城市交通网络运行速度概率分布模型.通过对城市交通网络运行速度产生影响的道路交通参数进行分析,得到模型参数与道路交通参数的关系式,构建了城市交通网络中汽车运行速度概率分布预测模型.(本文来源于《东北师大学报(自然科学版)》期刊2019年04期）
祁欣学,覃锡忠,贾振红,常春,樊树铭[2]（2019）在《基于田口集成学习的最佳交通流量预测模型》一文中研究指出针对预测准确性对数据相关性和网络结构极为敏感的问题,采用田口方法选择集成学习的结构参数,在保证学习多样性的同时,提高选择过程的效率,保证预测的准确性。实验仿真计算结果表明,在多个路段的交通流量数据集上,该方法皆取得了满意的预测效果,模型具有较好的鲁棒性。将仿真结果与其它算法进行比较,比较结果表明,相比传统ARIMA、MLP模型,其预测精度分别提高了4.51%、11.23%。(本文来源于《计算机工程与设计》期刊2019年12期）
何珂,杨顺新,郜勇刚[3]（2019）在《基于PCA-RF组合模型的隧道交通事故持续时间预测》一文中研究指出使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测。主成分分析用来提高随机森林模型的精度与效率。此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合。参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差。用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2 115起事故数据。每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等。结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果。并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度。且PCA能够降低数据维度,提高算法的效率。与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高。(本文来源于《交通信息与安全》期刊2019年05期）
黎旭成,唐校辉,王卓,陈振武,耿东雪[4]（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）
李明明,雷菊阳,赵从健[5]（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）
刘夏,李苑辉,欧志鹏,陈磊,陈明锐[6]（2019）在《基于ARIMA与灰色马尔科夫模型的叁亚市交通客流量预测研究》一文中研究指出为了较为全面、客观、准确地预测城市的交通客流量,对叁亚市旅游统计数据2012-2017年每月的交通客流数据进行分析,在数据整理的基础上,主要采用ARIMA模型和灰色马尔科夫模型对2012-01—2017-12月叁亚的交通流量分别进行拟合仿真,并对2018年每月的客流进行了趋势外推预测;结果表明:采用ARIMA预测模型所获得的平均绝对百分误差为4. 42%,采用灰色马尔科夫模型获得的平均绝对百分误差为3. 78%,表明两种预测具有较高的精度;最后利用灰色马尔科夫模型进行趋势外推预测,得出叁亚市2018年交通客流预计近3 600万,预测结果对叁亚市旅游、交通等行业制定政策能起到积极的作用。(本文来源于《重庆工商大学学报(自然科学版)》期刊2019年05期）
温惠英,张东冉,陆思园[7]（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[8]（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[9]（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）
孔德璇,张亚平[10]（2019）在《寒地城市地铁站短时步行交通需求动态预测模型》一文中研究指出基于为地铁站周边步行设施规划、交通组织及信号控制优化提供依据的研究目的,提出进出地铁站短时步行交通需求动态预测模型。以地铁列车到发时间间隔为单位,通过Levenberg-Marquardt算法标定的指数平滑模型对下一到发时间间隔内的进、出站客流量进行预测,基于动态行程时间分析地铁站周边人行道、无信号交叉口、信号交叉口以及立体行人过街设施处的步行交通阻抗函数,并提出侵占人行道、寒地城市冰雪路面、立体行人过街设施与水平路面高度差、缺乏方向指示4类惩罚系数对步行阻抗函数进行修正,采用多路径交通分配模型将指数平滑模型预测得到的进出站步行交通量分配至地铁站周边慢行交通网络。以哈尔滨市地铁1号线博物馆站1号站口为例进行良好天气及雪后进出站客流量预测、对比冬夏两季步行阻抗函数计算和步行流量分配情况,研究结果表明,在通过连续6个到发时间间隔客流量数据标定指数平滑模型的前提下,进出站客流量预测相对误差总体呈下降趋势,第7个到发时间间隔进、出站客流量预测相对误差分别为1.67%和-3.57%,根据地铁站周边步行阻抗函数分配得到的步行流量分布与实际情况基本吻合且能反映步行环境和季节变化引起的路线选择倾向变化,证实模型可用于地铁站周边步行设施的规划与评价,并可协同地铁站邻近交叉口进行考虑行人效益的动态交通控制。(本文来源于《交通信息与安全》期刊2019年04期）
交通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：
针对预测准确性对数据相关性和网络结构极为敏感的问题,采用田口方法选择集成学习的结构参数,在保证学习多样性的同时,提高选择过程的效率,保证预测的准确性。实验仿真计算结果表明,在多个路段的交通流量数据集上,该方法皆取得了满意的预测效果,模型具有较好的鲁棒性。将仿真结果与其它算法进行比较,比较结果表明,相比传统ARIMA、MLP模型,其预测精度分别提高了4.51%、11.23%。
（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。
交通预测模型论文参考文献
[1].施树明,李文茹.城市交通网络运行速度预测模型研究[J].东北师大学报(自然科学版).2019
[2].祁欣学,覃锡忠,贾振红,常春,樊树铭.基于田口集成学习的最佳交通流量预测模型[J].计算机工程与设计.2019
[3].何珂,杨顺新,郜勇刚.基于PCA-RF组合模型的隧道交通事故持续时间预测[J].交通信息与安全.2019
[4].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
[5].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
[6].刘夏,李苑辉,欧志鹏,陈磊,陈明锐.基于ARIMA与灰色马尔科夫模型的叁亚市交通客流量预测研究[J].重庆工商大学学报(自然科学版).2019
[7].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
[8].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
[9].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
[10].孔德璇,张亚平.寒地城市地铁站短时步行交通需求动态预测模型[J].交通信息与安全.2019