城市车流量预测方法研究开题报告
2020-02-18 19:33:11
1. 研究目的与意义（文献综述）
目的及意义：
为了方便交通，不让交通成为发展的阻碍因素。国家大力投资改善和建设交通设施。但是，随着经济的不断发展，人们的购买力继续提高，越来越多的公民购买了车辆和其他交通工具。据不完全统计，截至 2017 年底，全国共有汽车 2.17 亿辆，驾驶者 3.85 亿人次，其中驾驶者 3.42 亿辆，机动车 3.1 亿辆。有 53 个城市在全国拥有超过一百万辆汽车，其中包括超过 200 万辆的 24 个城市以及超过三百万的北京，上海，深圳，成都，郑州，重庆。据相关报道，这对 2017 年春节期间的公路施加了相当大的压力，特别是在假日期间，各省的交通达到了新的高度。例如，福建省各收费站的出入口总量超过 2077 万。平均每日车费为 296.7 万辆[1] ，每个假期经常发生交通堵塞，交通事故数量增加。因此，交通堵塞现已成为社会关注的焦点。
2. 研究的基本内容与方案
基本内容：
1、基于深度学习模型和时间序列模型，使用循环神经网络（RNN），长短期记忆网络（LSTM），卷积循环神经网络（CRNN），BP神经网络，对车流量进行预测。
2、比较多种模型对于预测的精度。比较不同模型对特定的地区的车流量预测的准确度，得出不同模型对于车流量预测的优势和劣势
目标：使用Tensorflow 和 Keras 构建深度学习模型，实现对两周内9点和22点之间每个小时内相应网格的车流量预测
拟采用的技术方案及措施：
1. 理论介绍：
| 长短期记忆网络（LSTM） | RNN的一种变体，RNN由于梯度消失的原因只能有短期记忆，LSTM网络通过精妙的门控制将短期记忆与长期记忆结合起来，并且一定程度上解决了梯度消失的问题。 |
| 卷积循环神经网络（CRNN） | 利用卷积神经网络（CNN）和循环神经网络（RNN）的组合来实现对一组相关时间序列的p步预测。 通过学习图像的特征和模式，CNN成功地被用于分类图像。 RNN能够捕获一系列值的依赖关系，因此能够很好地预测未来的值。
|
| 循环神经网络（RNN） | 神经网络是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是，RNN可以利用它内部的记忆来处理任意时序的输入序列，这让它可以更容易处理如不分段的手写识别、语音识别等。 |
| BP神经网络 | BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。 |
2、车流量预测：
数据来自2018BOT智能汽车大赛提供的总共2000辆上汽新能源车和非新能源车历史出行数据，数据集包含了车辆出行的相关字段。处理数据。
将数据处理成每个小时内相应网格的车流量，以及此刻的其他信息（如天气情况）例如：
3、实验方案：
在深度学习框架tensorflow基础上构建神经网络模型用于预测，tensorflow框架中RNN和LSTM神经网络实现在tf.contrib.rnn类中，这个类中实现了多种常见的循环神经网络。
我们预测两周内9点和22点之间每个小时内相应网格的车流量预测。每个小时每个网格内车流量的定义就是这个小时内经过这个网格的车的数量，每个车只计数一次。
3. 研究计划与安排
(1)2019/1/19—2019/2/28：确定选题，查阅参考文献，完成外文翻译和撰写开题报告；
(2)2019/3/1—2019/4/30：系统架构、程序设计与开发、系统测试与完善；
4. 参考文献（12篇以上）
[1] 公安部交通管理局.2017 年全国机动车和驾驶员保持高位增长 [ EB/OL]http://www.mps.gov.cn/n2255040/n4908728/c5977158/content.html，2018-1-15
[2] Williams B M,Hoel L A,“Modeling andforecasting vehicular traffic flow as a seasonal ARIMA process: theoreticalbasis and empirical results,”Journal of Transportation Engineering, vol. 129, no. 6, pp. 664- 672,2003
[3] Sun S, Zhang C,Yu G, “A Bayesiannetwork approach to traffic flow forecasting,” IEEE Trans. Intelligent Transportation Systems, vol. 7, no. 1, pp.124-132, 2006.
[4] Castro-Neto M,Jeong Y S, Jeong M K, et al, “Online-SVR for short-term traffic flow prediction under typical andatypical traffic conditions,”Expert Systems with Applications, vol. 36, no. 3, pp. 6164-6173, 2009
[5] Chan K Y, DillonT S, Singh J, et al, “Neural-network-based models for short-term traffic flow forecastingusing a hybrid exponential smoothing and Levenberg– Marquardt algorithm,”IEEE Trans. Intelligent Transportation Systems, vol. 13, no. 2, pp.644-654, 2012.
[6] Lippi M, BertiniM, Frasconi P,“Short-termtraffic flow forecasting: An experimental comparison of time-series analysisand supervised learning,”IEEE Trans.
[7] 姚智胜，邵春福，熊志华，等．基于主成分分析和支持向量机的道路网短时交通流量预测 [J]．吉林大学学报（工）,2008,38(1):48-52.
[8] 杨兆升，朱中．基于卡尔曼滤波理论的交通流量实时预测模型 [J]．中国公路学报
1999(3):63-67.
[9] 李存军，杨儒贵，张家树．基于小波分析的交通流量预测方法 [J]．计算机应用，
2003,23(12):7-8
[10] 孙燕，陈森发，周振国．灰色系统理论在无监测器交叉口交通流量预测中的应用 [J]．
东南大学学报（自然科学版），2002,32(2):256-258
[11] 姚亚夫，曹锋．基于 ARIMA 的交通流量短时预测 [J]．交通科技与经济，2006(3):105-107.
[12] 张涛，陈先，谢美萍，等．基于 K 近邻非参数回归的短时交通流预测方法 [J]．系统工程理论与实践，2010,30(2):376-384
[13] Huang W, Song G,Hong H, et al, “Deep architecturefor traffic flow prediction: deep belief networks with multitask learning,”IEEE Trans. Intelligent Transportation Systems, vol. 15, no. 5, pp.2191-2201, 2014.
[14] Yang H F, DillonT S, Chen Y P P,“Optimizedstructure of the traffic flow forecast-ing model with a deep learning approach,”IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no.10, pp. 2371-2381, 2017.
[15] Zhang J, Zheng Y,Qi D, “Deepspatio-temporal residual networks for citywide crowd flows prediction,”in Proc. AAAI (AAAI Conference on Artificial Intelligence), 2017, pp.1655-1661.
[16] Song X, KanasugiH, Shibasaki R, “Deep transport:prediction and simulation of human mobility and transportation mode at acitywide level,”in Proc. IJCAI(International Joint Conferences on Artificial Intelligence), 2016, pp.2618-2624.
[17] J. K. Chorowski,D. Bahdanau, D. Serdyuk, K. Cho, and Y. Bengio,“Attention-Based Models for Speech Recognition,”in Proc. NIPS(Conference and Workshop on Neural Information ProcessingSystems), 2015, pp. 577-585.
[18] D. E. Rumelhart, G. E. Hinton and R. J. Williams,Learning Representations by Back-Propagating Errors, Nature, Vol. 323, 1986,pp. 533-536.
[19] HintonGE, OsinderoS, TehYW.A fast learning algorithm for deep belief nets[J]. Neural computation, 2006, 18(7): 1527-1554.
[20] G.P. Box, G.M. Jenkins: Time series Analysis:Forecasting and Control[M]. Holden-Day, San Francisco, CA, 1976.
[21] 杨海民, 潘志松, 白玮. 时间序列预测方法综述 [J]. 计算机科学, 2019, 46(1):21-28.
[22] Cleveland R B, Cleveland W S. STL: Aseasonal-trend decomposition procedure based on loess[J] . Journal of OfficialStatistics, 1990, 6(1): 3-33
|
|
|
|
|
|
