论文部分内容阅读
社会经济的迅速发展使得汽车保有量急速增长,道路供需不平衡的矛盾日益尖锐,导致各城市交通拥堵现象经常出现。相比于单纯依靠扩建道路基础设施来缓解交通拥堵,通过信息技术,建立可持续的智能交通系统(ITS),能够有效的辅助交通疏导。同时随着数据采集技术和手段的进步,积累了大量的交通数据,但存在数据缺失或损坏的问题。准确、及时的交通流信息是ITS的基础,对交通拥堵的管理和控制有重要作用。因此,为更好地使用ITS提供数据支持,研究交通流缺失数据填补和短时交通流预测的方法很有必要。本文研究目的是为了提高交通流缺失数据填补的准确度和提高短时交通流预测的精度。考虑到交通流数据的非线性和复杂性,本文采用机器学习的方法,分析处理交通流数据,提出了基于领域-降噪堆叠自编码器(NN-DSAE)模型用于交通流缺失数据填补,提出了基于长短时记忆循环神经网络(LSTM)和决策树模型用于短时交通流预测。提出的交通流缺失数据填补模型中,首先介绍了自编码器、降噪自编码器、降噪堆叠自编码器和邻域的原理,在此基础上提出了基于NN-DSAE的填补方法。该方法首先对邻域给定范围进行改进,然后根据邻域知识找寻对交通流缺失数据填补相关性较高的交通流量,邻域矩阵作为DSAE网络的输入值。最后使用从加州运输局的PEMS系统获取的交通流数据,验证NN-DSAE填补方法在不同数据缺失率下的性能,同时与历史平均方法和传统神经网络方法的填补结果作对比,对比结果显示基于NN-DSAE的交通流缺失数据填补模型效果优于其它两种方法。提出的短时交通流预测模型是一个组合模型。首先通过实验确定小波分析中较优的小波阈值函数和阈值选取的方法,使用db3三层小波分解,将经过缺失数据填补处理的交通流数据分解为均匀部分和随机部分。然后,使用LSTM网络方法预测交通流数据的均匀部分,PEMS系统收集到的真实交通流数据用于验证该短时交通流预测模型的有效性,并将其与ARIMA、浅层神经网络(SNN)、回归树和传统RNN方法比较,来衡量模型性能。结果表明,LSTM网络更稳定,预测精度更好。之后将交通流数据的随机部分作为短时交通流预测的误差调整项,使用决策树方法预测。最后将LSTM网络预测的交通流量均匀部分与决策树预测的交通流量随机部分的组合结果作为最终预测的交通流量值,并分别比较其与单预测器LSTM、决策树的预测效果,结果显示组合模型更稳定,预测性能更好。