论文部分内容阅读
随着国家城市化进程的快速推进,城市内机动车保有量也与日俱增,随之而来的交通拥堵、交通噪声、环境污染等问题也困扰着人们。智能交通系统的出现为解决这些交通问题提供了新方案,作为智能交通子系统中的一个重要组成部分,短时交通流预测可以为交管部门提供未来时刻可靠的交通数据,交管平台可以以此基础数据来进行交通疏导和路径规划。可以看出预测数据的精准与否直接影响着整个智能交通系统作用的发挥。因此,研究一种准确且稳定的城市道路短时交通流预测方法具有学术价值和现实意义。近年来,短时交通流预测方法的改进伴随着深度学习理论研究的不断推进而逐渐深入。本文首先针对现有部分传统交通流预测模型结构滞后,计算复杂的问题,利用长短时记忆(LSTM)网络在时序数据处理方面的优势,构建了基于深度学习的预测模型。针对部分预测模型仅面向单一路段进行、模型输入数据未充分处理的问题。本文选择实际路网结构,采用启发式阈值降噪算法对原始交通流序列分解重构后达到去噪处理的目的,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵,数据去噪和路网数据相关性分析将数据对模型的干扰降到最低的同时又使预测在路网层面上进行了考量。使用了实际的交通流数据对模型进行了实例验证,首先利用原始交通流数据和小波阈值去噪处理后的交通流数据分别训练LSTM-1和LSTM-2模型,通过性能评价指标对比证明了小波阈值去噪和LSTM模型结合预测方法的有效性。然后设置不同预测时间步长将本文提出的预测模型和其他四种模型进行对比。由仿真实验结果可知,本文提出的LSTM-2模型平均预测准确度为94.62%,将预测时间步长从10min升至20min时,LSTM-2模型的均方根误差增减量差仅为2.31%,在几种对比模型中预测准确度和稳定性LSTM-2模型均为最优,这说明本文提出的预测方法高效且可靠。在此基础上,又实验对比了交通流预测模型在周末与非周末时期预测的差异性。文章最后基于本文预测模型预测的交通流量,定义了拥堵判别体系,对文中所选定的研究路段进行了拥堵判别并给出了拥堵判别结果表,实现了研究成果从理论到实际应用的转化。