一、广义神经网络的研究及其在交通流预测中的应用（论文文献综述）
武文瑜[1]（2021）在《基于时空特征的短期车流量预测研究》文中进行了进一步梳理随着社会的不断发展,城市机动车保有量持续增加,交通拥堵已经成为阻碍城市出行发展的重要问题。为此很多国家通过发展智能交通系统解决交通拥堵问题,而短时交通流预测信息为其提供了数据支持,为出行者提供了实时合理的出行计划,缓解了城市的交通压力。因此,对交通流信息进行实时准确的预测已经成为发展智能交通系统的重要一环。由于交通流数据规模大、时空依赖性强、社会相关性明显等特征,导致交通流预测的时延和准确率难以得到保障。现已有很多学者使用传统应用统计模型、神经网络模型等,根据历史车流量信息来进行未来车流量信息的预测分析,这些模型均没有充分考虑到交通流数据中时空特征和长时依赖性。故本文提出了两种融合时空特征的模型进行车流量的预测,以便提升短期交通流的预测精度。本文的主要工作和创新如下:考虑了车流量的时空特性基础上,提出基于注意力机制的图卷积网络（RES2GCN）模型。该模型首先利用非线性图卷积网络对线性图卷积网络进行调制,再将调制后的图卷积网络进行堆叠进而形成残差图卷积网络,以便更好的提取车流量的空间变化特征,最后利用注意力机制引入权重系数对时间序列进行加权调整,以重建交通流序列。进一步考虑了车流量的长时依赖关系,提出时空图卷积网络（TGCN2S）模型。模型以编码器-解码器为主体。编码部分从输入交通流相关的时空序列中通过T-GCN学习其时空关联性特征和长时依赖关系,GRU解码器基于编码的时空向量值进行解码,以重建交通流序列。为了验证本文提出模型的有效性,采用公开的加州交通流数据集和西雅图交通流数据集进行了实验验证,并且与HA、ARIMA、GCN、T-GCN和A3T-GCN等模型进行了对比,实验结果显示相比其他模型,本文模型无论是在单步长预测还是多步长预测预测精度均有提升,降低了误差率。结果表明,在路网结构复杂或进行单步长预测的情景下,优先选用RES2GCN模型,而对于多步长预测,优先选用TGCN2S模型。
郭义戎[2]（2021）在《基于城市道路交通数据的交通流短时预测与诱导方法研究》文中提出智能交通系统（Intelligent Transportation System,ITS）是指将先进的信息技术、数据通讯传输技术、电子传感技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内实时、准确、高效的综合交通运输管理系统。随着当今社会信息的快速传递,智能交通系统中数据获取和处理的数量呈指数增长,如何从高速增长的数字信息中分析掌握可靠的交通信息对交通管理有着深远的意义。因此,为了充分挖掘和利用交通数据中蕴含的丰富交通信息,进一步提高交通状态预测和识别的精确度,有必要研究和探索交通状态预测的新方法。有必要研究和探索用于交通状态预测的新方法,以充分挖掘交通数据所蕴含的丰富交通信息,进一步提升交通状态判别与预测的准确性和可靠性。论文结合现代信息技术中不同的信息处理方法,从数据预处理、交通预测、交通诱导等角度逐步探讨了城市道路交通数据的一些可靠分析方法,解决交通数据中个别样本缺失、交通预测准确率低、诱导信息利用效率不高等问题。具体工作内容如下:（1）基于低秩矩阵的交通数据插补方法为了从交通大数据中分析及掌握可靠的交通信息,结合现代信息技术,探讨了城市道路交通数据的特性及故障数据产生的原因,由于交通数据的缺失将严重影响交通信息系统的性能,有必要对交通数据插补进行研究。首先,介绍了基于核范最小化的低秩矩阵插补模型;其次,在传统的低秩矩阵插补方法中将奇异值部分和最小化范数代替核范数对低秩矩阵交通数据进行恢复;最后,提出了一种将有序约束项引入到奇异值部分和最小化的改进方法。通过真实的两类交通数据验证了对缺失交通数据的恢复,证明了提出的方法优于传统方法。（2）基于多交通参数融合的城市道路交通流短时预测方法针对交通系统的混沌现象,为了更全面的反映交通状况的变化特征,采用多交通参数从不同的侧面为短时交通预测提供更加完整的交通状态变化特征。首先,由于一维的时间序列结构单一且包含的信息量很少,并不能够展现高维复杂系统的运动规律。因此根据交通参数的混沌特性,短时交通流预测模型需要引入相空间重构并依据相空间重构后所展现的客观规律进行预测;其次,研究基于贝叶斯估计理论的多参数时间序列在高维相空间中的相点融合问题;再次,介绍了基于传统最大Lyapunov指数的多交通参数交通状态预测模型;最后,应用广义回归神经网络改进了基于最大Lyapunov指数的多交通参数交通状态预测模型,并利用城市道路交通数据对改进的预测方法与传统的基于Lyapunov指数的预测方法的精确性进行了对比验证。结果表明,改进的基于广义回归神经网络多交通参数交通状态预测方法具有较高的预测精度和效率。（3）基于多神经网络融合的城市道路交通流短时预测方法基于广义回归神经网络的多交通参数融合交通流短时预测方法在复杂路网情况下容易陷入局部极小状态,通过神经网络算法良好的识别复杂非线性系统的特性及多种神经网络模型的相互补充,提出了一种循环神经网络、误差反向传播神经网络、广义回归神经网络优势的城市道路交通数据短时交通状态预测模型。通过多种神经网络模型优缺点的互补,验证了融合后的预测结果能够更好的提升城市道路交通数据短时预测精确度。（4）基于诱导信息效用最大化的VMS（Variable Message Sign,VMS）优化布设新方法在现有诱导效用最大化模型的基础上,提出了一种新的基于实际诱导效用最大化的可变信息板优化布设方法。该方法主要是对原有的效用最大化模型进行改进,通过对可变信息板诱导效用的复杂性进行分析,增加了重复诱导的效用与浪费的效用参与实际效用的计算,并对诱导覆盖率和诱导重复率进行重新定义,最后设计了基于贪婪算法的信息板优化布设的函数求解方法。通过36个路段的网络实例,验证了该方法简单有效,可以通过分析交通流的复杂状况对信息板进行优化配置,在区域道路复杂状况和交通需求点相对确定的条件下,提高整个系统的诱导效率,因而更符合实际交通流诱导的需要。（5）基于双层规划模型的VMS诱导信息发布方法为了合理地对城市交通流进行诱导,减少因VMS引起的不恰当的交通诱导,需要从使用者和管理者的博弈中进行优化,提出了基于双层规划模型的VMS诱导信息发布方法。首先,分析了交通系统管理者和使用者之间的博弈过程;其次,依靠双层规划模型建立了VMS诱导信息发布策略优化模型;最后,依据遗传算法实现了优化模型的求解方法。通过城市道路交通数据验证了VMS诱导策略优化过程的有效性,提高了路网的整体运行效率,为其进一步应用提供支持。
房崇鑫[3]（2021）在《基于深度学习的短时交通流预测及其路径诱导的研究与实现》文中认为随着近几十年来我国城市的快速发展与汽车保有量的提升,城市交通管理面临着巨大的挑战,其中解决通车高峰期的拥堵与实现交通合理规划成为现代交通体系内需要克服的难题。智能交通系统（ITS）结合了各种先进的信息技术,能在保证路网通行质量的前提下提高了道路的利用率,而短时交通流的预测与最优化路径诱导一直是ITS研究的重点。通过深度学习的方法对富有差异特征的历史与实时短时交通流进行预测,实现路网内车辆通行情况的分析,深度挖掘不同路口的通行能力。在充分利用预测结果的基础上,以较快的速度搜索出一条最优化诱导路径,为制定避让易拥堵路段的诱导方案与实现城市交通流的管理规划提供可靠的依据与方法。正是在上述背景的需求下,本文主要对以下内容作出了研究工作:（1）考虑到短时交通流具有特性倾向性、长期关联性与周期性的特点,在分析与总结多种预测方法后,提出了一种卷积-双向长短时记忆（CNN-BiLSTM）混合神经网络预测模型。首先对海量的短时交通流数据集进行清洗与格式转换,提高数据集的容错率与兼容性,再通过CNN层提取局部空间深层特征,经Dropout运算对重复特征进行随机丢弃,结合BiLSTM层的时序记忆功能与双向传递结构的特性对短时交通流进行预测,最后通过实验证明面向短时交通流预测的CNN-BiLSTM混合神经网络准确度达到 87.64%。（2）结合准确的短时交通流预测结果与最优化路径搜索方法,可以对未来路网内通行能力强的诱导路径方案进行挖掘,在此改进了自适应变邻域搜索（AVNS）算法。首先通过K-mediods分析法使得预测的短时交通流在城市区域内进行划分与聚类,邻域根据易拥堵主题区域与非易拥堵主题区域实现快速搭建。然后依照自适应更新法对设计的邻域结构进行概率性搜索,从而减少了一些邻域内长时间无改进解的搜索时间,提高算法的效率,实现了最优化诱导路径的快速搜索。最后通过扬州市各类型区域的对比实验分析,论证了 AVNS算法在搜索诱导路径解的质量与速度上的优越性。（3）综合上述研究,本文设计出一种基于短时交通流预测的路径诱导系统。该系统通过检测器模块、数据库模块、预测交通流模块与区域指挥中心模块的配置与协作,可以由预约行车时间和OD点（起始点与终点）制定出一条规避未来拥堵路段的诱导路径。根据诱导路径与最短路径在扬州市区内的仿真实验,经对比分析发现诱导路径在交通流高峰期、城市全局长诱导与有路段限制的情况下的平均通行耗时均比最短路径低2.67%、6.65%和2.89%,证实了系统生成的诱导路径对驾驶员行车质量与路网通行能力都有很大的提升。
施元磊[4]（2021）在《景区交通流量预测与游客行程规划技术研究》文中研究说明自助游已成为当下热门的旅游方式,旅游平台产生了各式各样的旅游数据:游记、评论、图片等。同时,便携式定位设备产生的实时GPS数据也为旅游数据做了补充。这些多源异构旅游数据蕴含着游客的旅行时空信息和行为信息,为了解景区实时热度和旅游行程安排提供了丰富的数据支撑。本文针对旅游推荐的关键性问题:景区流量预测和旅游行程规划展开研究。为了更好的为用户安排旅游行程,提出了基于深度学习的景区交通流量预测算法和基于时空预测和时间框架的行程规划方法。本文主要研究工作如下:（1）提出了一种基于多源异构数据的多图卷积循环神经网络（Multi-Graph Convolution Gate Recurrent Unit,M-GCNGRU）景区交通流量预测算法。该方法通过构建多张拓扑图的方式融合多源异构旅游数据中的有效特征,使用图卷积网络（Graph Convolution Network,GCN）捕获景区的多种空间特征和循环神经网络（Gate Recurrent Unit,GRU）捕获交通流量的时间特征,从而预测景区未来的交通流量。通过实验在真实数据集上验证,该方法在预测算法的衡量指标上明显优于其他对比算法,尤其在中长期预测时表现出更强的稳定性。（2）提出了一种基于游记文本的历史行程重构方法。该方法首先根据文本相似度自动识别出游记中的景点,然后基于一阶马尔可夫性、先验知识和景点的空间分布构建了一个行程重构概率模型,进而从游记中提取游客的历史行程。通过在真实数据集上的实验验证,该方法相较于其他方法更准确、全面的识别出景点这类命令实体,并且较为准确的还原了游客的真实旅游行程。（3）提出了一种基于时空预测和时间框架的旅游行程规划方法。该方法通过时间框架划分出可用于规划的时间段,在满足用户的约束条件和最大化旅游体验的前提下,兼顾景点开放时间、流行度、游玩时间、门票、路程时间、路程费用和交通流量等重要因素,构建了旅游行程规划模型。在真实数据集上的实验表明,该方法相较于其他旅游行程规划方法,规划的行程更节约了旅行时间和旅行费用。综上所述,本文提出的景区交通流预测方法,有效融合了多源异构旅游数据中的多个特征;提出的旅游行程规划方法,综合考虑了影响旅游体验的历史静态因素和实时动态因素,在旅游行业中具有很重要的使用场景和商业价值。
郑雨馨[5]（2021）在《基于时空动态图卷积神经网络的交通流预测方法》文中研究表明随着城市机动车保有量的迅速攀升,城市交通拥堵问题日益严峻,严重阻碍了城市的良性发展。交通流预测是缓解城市交通运行压力的有效手段之一,准确的路网交通流预测模型能够为交通部门制定合理的管理措施提供理论依据,降低公众出行的时间成本,从而缓解城市交通拥堵。然而,现有的路网交通流预测模型大多没有很好地捕获交通流数据蕴藏的时空相关性,且难以满足不同预测时长的精度要求。因此,本文围绕路网交通流预测问题展开研究,为了自适应学习交通流数据和路网拓扑结构的时空依赖性,提出了两个基于图卷积神经网络的路网交通流预测模型,有效提升了预测精度。具体内容包括:（1）交通路网建模与交通流特征建模。以真实的高速公路交通流数据为研究对象,深入分析路网交通流的时空变化特性,基于图谱理论对路网拓扑结构进行建模,并构建了一种融合局部时间相关性和周期性的交通流特征张量建模方法,为路网交通流预测模型的设计奠定良好基础。（2）构建了基于图卷积神经网络的时空交通流预测模型（GCST）。为了充分挖掘路网交通流的时空依赖特性,提出了一种交通流时空特性学习机制。在空间学习机制中,设计了全局空间拓扑学习层对路网拓扑矩阵进行学习,并将门控机制与图卷积神经网络相结合,提高了预测模型对空间相关性的学习能力;在时间学习机制中,使用长短时记忆神经网络捕获交通流时间变化特性,并设计了一种纵向时间特征卷积,在保留交通流局部时间相关性的情况下提高计算效率。实验结果表明,GCST的长期预测精度显着优于其他基线模型。（3）提出了基于动态时空切比雪夫图卷积的交通流预测模型（DCGCN）。为了解决固定的拉普拉斯矩阵无法准确表达路网拓扑动态变化特性的问题,设计了一个拉普拉斯矩阵动态更新模型,以自适应地学习交通流的时空变化趋势并动态更新拉普拉斯矩阵的权值;同时,针对GCST模型在短期预测中预测精度不够理想的问题,将短时时间卷积与时间注意力机制相结合,实现路网交通流短时变化特性和长时变化规律的自动学习。实验结果表明,与其他基线模型相比,DCGCN模型的预测精度提升了逾6.7%,并具有较强的抗干扰能力。
张硕[6]（2021）在《基于多特征融合的交通状态判别与预测研究》文中认为随着国民经济的快速发展,我国私家车保有量逐年上升,随之而来的交通拥堵问题越来越严重。因此需要建立完善的交通管理政策,运用智能交通系统对交通资源进行合理的调配。通过预测交通运行状态为交通管理部门提供信息,同时为公众的出行提供便利。论文主要围绕交通运行状态的判别与预测进行研究,探究影响交通运行状态的因素,并基于影响因素设计了多特征融合的交通预测模型。首先,本文从交通运行状态的判别和交通运行状态预测作为研究对象,对国内外研究现状进行分析,总结现有成果和不足,在此基础上提出本文的研究内容和技术路线。其次,探究道路运行状态的影响因素,包括天气、重大事件、交通流的时空特性对道路运行状态的影响。通过交通运行指数与平均速度的变化反应不同降雨、降雪和雾霾天气情况对道路交通的影响,由发生重大事件时交通拥堵指数的变化分析对道路交通运行的影响。对影响交通流的时间相关性和空间相关性进行分析,对每日、每周交通流变化进行分析,并引用皮尔逊相关系数对其相关性进行验证,证明其在时间维度存在相似性和周期性;对相邻四条路段上下游交通指数进行相似性分析,发现交通流在空间维度具有一定的相关性。针对现有交通预测模型较少考虑多特征融合预测方法,本文提出了基于多特征融合的交通预测模型,首先采用注意力机制和GRU对道路中的时间特性进行提取,同时使用GCN对空间特征提取,将时空特征融合,并加入了周期因素与天气因素,进一步优化模型,最终得到本文所提出的MFSTGCN交通预测模型,在真实交通数据集Pe MSD4和Pe MSD8上对交通流量和速度进行预测并与其他模型进行对比,采用MAE与RMSE作为评价指标,结果表明本文提出的模型在各个指标上都具有最佳的效果,无论是在短期预测还是长期预测,模型的稳定和误差均优于其他算法。最后,本文基于上述的研究,对交通运行状态进行判别和预测。首先采用K-means聚类算法对交通流量和速度进行聚类分析,判别为畅通、基本畅通、轻度拥堵、严重拥堵四个等级。然后使用多特征融合的交通预测模型对一周的交通流量和速度进行预测,将得到预测结果再次进行聚类分析,判别其交通运行状态,并与之前判别结果进行对比,使用混淆矩阵对判别的准确性进行评价,整体正确率为91.7%,证明本文采用的方法可以对交通运行状态做出准确的判别与预测。
温钧林[7]（2021）在《基于多尺度时空图卷积网络的交通流预测算法研究》文中研究说明交通流预测作为智能交通系统的重要组成部分,对维护交通路网健康地运行有着重要的意义。近年来,随着深度学习的迅速发展,时空图卷积神经网络成为了交通数据预测的主要手段。针对现有算法对交通流时空特征表达维度单一、以固定的权重衡量交通流动态的周期关系的问题,本文基于时空图卷积神经网络提出两种交通流预测算法,具体如下:为了解决现有算法对交通流数据时空特征表达维度单一的问题,本文提出了一种多尺度时空图卷积网络（MSSTGCN）模型。利用一维空洞卷积、一阶近似图卷积和时间注意力机制提取交通流数据的时空特性。考虑到“串联”构建的图卷积网络的输出只对时空特征进行了单一尺度的表达,因此引入带有“并联”结构的Res2Net以多尺度时空特征融合的方式对时空特征进行多种尺度地表达。同时,为了考虑交通流量的周期性,构建了3个结构相同的周期网络组件分别对临近预测时段近期、日周期和周周期的交通流序列进行建模,并以加权融合的方式得到最终的预测结果。为了解决现有算法以固定的权重来衡量交通流数据周期关系的问题,本文在MSSTGCN的基础上,提出了一种自适应周期时空图卷积网络（APSTGCN）模型。其利用自适应周期特征融合网络（APFN）改进了MSSTGCN中基于参数的周期特征融合策略,以注意力机制的方式挖掘不同周期序列之间的动态关系,并根据这一关系给各个组件的输出分配自适应权重,得到更贴近真实交通流量的预测结果。最后,在两个公开的高速公路数据集Pe MSD4和Pe MSD8上的实验结果表明,MSSTGCN在两个数据集上的MAE、RMSE和MAPE指标均优于其他基准模型,而APSTGCN在APFN的辅助下,预测精度得到了进一步提升,并且在长期预测中表现出明显的优势。另外,本文提出的APFN还可以灵活地应用于其他模型,以便更全面地挖掘交通数据的周期模式。
孟思涛[8]（2021）在《基于改进灰狼算法优化模型的短时交通流预测研究》文中研究指明近年来,我国经济的飞速增长和人们生活水平的提高使得机动车保有量与日俱增,现有道路资源的有限和日益增长的汽车保有量之间产生了矛盾,带来了一系列复杂的交通问题。为解决这一棘手问题,智能交通系统（Intelligent Transport Systems,ITS）应运而生,其强大的综合分析能力和智慧引导能力可以帮助车主合理规划出行路线,避免交通拥堵,提高道路通行效率。作为ITS的实现基础,短时交通流预测有着重要的研究意义,准确的交通流预测可以使交管部门、物流单位、私家车主等事先得知道路交通情况,对合理规划路线及维护社会交通秩序都有着极大的帮助。在此背景下,为了提高短时交通流预测精度,本文首先对灰狼优化算法（Grey Wolf Optimizer,GWO）进行了改进,并使用改进的灰狼算法（Improved Grey Wolf Optimizer,IGWO）,分别优化了支持向量回归（Support Vector Regression,SVR）和Elman神经网络交通流预测模型。使用所提出的组合优化模型分别对城市交叉路口和高速公路车流量进行了预测,验证了IGWO的加入能够有效提升所优化模型的预测精度。具体地,本文主要研究工作如下:（1）针对GWO的线性收敛因子在寻优过程中不能很好匹配全局和局部搜索的弊端,提出了一种基于tanh函数的非线性收敛因子对其进行改进,并采用加入权重的灰狼位置更新机制提升GWO的收敛速度。使用10个国际标准测试函数检验改进后算法的寻优性能,验证了IGWO算法在收敛速度及寻优精度上有着更好的表现。（2）针对SVR模型在预测交通流时所面临的超参数调优问题,使用所提出的IGWO算法对SVR模型的惩罚系数C和核参数γ进行优化,构建了IGWO-SVR交通流预测模型。考虑交通流的日周期性及邻近相关性,在不同的交叉路口环境下,对城市道路交叉口工作日车流量进行了单步预测。仿真结果表明,相较于未优化的模型,所提出的IGWO-SVR模型在预测精度上有着明显的提升。（3）针对Elman神经网络模型在预测交通流时所面临的易陷入局部最优的弊端,使用所提出的IGWO算法优化Elman模型的初始权值和阈值,构建了IGWO-Elman交通流预测模型。考虑交通流的周周期性、日周期性及邻近相关性,对高速公路车流量进行了多步预测。仿真结果表明,IGWO优化算法的加入有助于降低Elman模型的预测误差,并且IGWO-Elman模型在对未来较长时间下的车流量预测中,仍保持着较高的预测精度。
胡松[9]（2021）在《基于ABOA-LSSVM的短时交通流预测研究》文中研究说明随着当下社会的发展与进步,传统的交通方法理论在实际应用中问题不断凸显。这时智能交通系统作为先进科学技术与交通理论的集大成者,在解决道路拥堵,保障出行安全以及降低环境污染等方面将会发挥出越来越强的作用。智能交通系统中精确而高效的交通流预测不仅有助于实现交通的实时控制,更有助于提供相关的一些应用板块主动进行交通诱导,为后面的出行提供保障。因而该方面的研究获得了大量相关研究人员的青睐,具有很重要的实际意义。论文通过对现有的短时交通流预测方法以及模型做出了基本的概括。结合短时交通流数据具有的随机性、非线性和时空关联这些复杂特性,同时为了满足得到的预测可以结合到实际应用中去。选择适合进行求解非线性问题、求解速度快且可移植性好的最小二乘支持向量机（LSSVM）来进行短时交通流量回归预测。对于LSSVM回归预测模型中参数的选择困难的问题,结合一种简单高效的鲸鱼优化算法（WOA）来实现参数的寻优,并且针对性的对WOA做出了改进得到一种优化后的算法（ABOA）。然后将二者结合构造出的交通流预测模型对处理过的高速公路交通流量数据进行预测研究,论文的主要研究内容如下:（1）本文通过采集云南省汕昆高速K2077断面上的交通流量数据,选取了2018年5月7号到5月11号这五个工作日的流量进行实验。首先考虑到道路上获取到的交通流数据易受到噪声数据、缺损数据的干扰,从而影响预测的精度,通过对数据进行修复处理;最后通过小波阈值降噪方法得到有效的交通流数据,为保证短时交通流预测的精确性提供了基础。（2）对于WOA前期收敛速度不够快,而在迭代后期寻优时的易陷入局部最优解的这些不足之处。提出引进自适应权重和天牛须搜索（BAS）的方式来改进WOA得到一种改进的鲸鱼优化算法-ABOA。改进后的算法通过将原WOA算法中的搜索捕食策略使用天牛须搜索策略代替,加快前期的搜索能力和提升搜索精度;同时在包围捕食和气泡网攻击中引入了自适应权重增强后期的局部搜索能力,通过使用三类18个不同的标准测试函数用例来进行仿真证明改进策略的有效性。（3）论文结合LSSVM训练速度快,全局性强且精度高的优点。选取其作为短时交通流预测的基本模型。同时,为了进一步达到预测精度提升的目的,合适选定模型中的的惩罚参数和核函数参数的值。利用提出的ABOA算法寻找LSSVM的最优参数,来构造ABOA-LSSVM的短时交通流预测模型。将优化处理后的交通流数据分为测试组和训练组进行实验,将模型训练后的预测得出的预测值和实际值的进行对比作出性能判定。通过对ABOA-LSSVM、WOA-LSSVM、PSO-LSSVM、LSSVM、BPNN（BP神经网络）这几种不同模型的预测结果的评价指标的对比。表明使用ABOA优化LSSVM后的模型预测精度更高,证明了论文提出的ABOA-LSSVM模型在短时交通流预测中是有效的。
余涛[10]（2021）在《基于投影寻踪的高速公路短时交通流预测方法研究》文中研究说明高速公路短时交通流预测一方面能为出行者提供实时交通信息,避免出行的盲目性,另一方面可以为交通管理部门提供决策和管理依据。但由于短时交通流具有很强的随机性和非线性,且影响因素较多,对其进行准确预测难度较大。投影寻踪（Projection Pursuit,PP）是处理和分析高维数据的一类新兴的统计方法,目前广泛应用于水文、农业等领域,具有良好的预测效果。为此,本文以高速公路联网收费数据为基础,探讨基于投影寻踪的短时交通流预测问题,然后以交通量和行程时间两个参数为研究对象,验证所提方法的适用性和准确性。具体而言,本文的主要研究工作如下:（1）介绍了投影寻踪的概念和基本特征,阐述了基于遗传算法来寻找最佳投影方向的建模步骤;同时介绍了BP神经网络模型的基本结构和建模过程,以及将BP神经网络模型与投影寻踪回归模型进行组合的可能性。（2）针对高速公路联网收费数据本身带有的缺陷性,阐述了相关的数据预处理方法。对于冗余数据,直接进行删除操作;对于缺失数据,分别以断面流量关键字段和行程时间关键字段为出发点进行识别和处理,采用历史平均法和K近邻方法对缺失值进行补充;对于行程时间的噪声数据,以偏离样本均值u的两倍标准差??为判断依据删除噪声值。（3）提出了基于投影寻踪回归（PPR）的交通量和行程时间短时预测模型,并通过灰色关联分析法选择预测影响因子。在实例分析中,对比分析了历史平均模型、BP神经网络模型和PPR模型的预测效果。通过实验发现,PPR模型能较好地拟合出短时交通量和行程时间变化曲线:在短时交通量预测上,其平均绝对百分比误差MPAE相较于历史平均模型和BP神经网络模型分别减少了16.17%和5.76%;在短时行程时间预测上,MAPE分别减少了3.29%和0.83%,验证了本文所提方法的有效性。（4）提出了基于神经网络投影寻踪耦合（BPPP）的交通量和行程时间短时预测模型。通过实验发现,BPPP模型能一定程度地提高预测准确度:在短时交通量预测上,MAPE相较于PPR模型和BP神经网络模型分别减少了1.80%和7.56%;在短时行程时间预测上,MAPE分别减少了0.26%和1.37%,验证了模型耦合的有效性。通过以上分析,验证了投影寻踪方法在高速公路交通量和行程时间短时预测上的可行性、准确性,该方法可以作为现有预测方法的有益补充,拓展研究思路。
二、广义神经网络的研究及其在交通流预测中的应用（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、广义神经网络的研究及其在交通流预测中的应用（论文提纲范文）
（1）基于时空特征的短期车流量预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 城市交通拥堵问题 |
| 1.1.2 智能交通系统建设与应用 |
| 1.2 车流量预测国内外研究现状 |
| 1.2.1 车流量预测方法分类 |
| 1.2.2 现有方法的局限性 |
| 1.3 主要研究内容及论文结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 2 理论基础 |
| 2.1 车流量预测理论概念 |
| 2.1.1 车流量预测参数 |
| 2.1.2 车流量特征 |
| 2.1.3 预测问题数学描述 |
| 2.2 图论 |
| 2.3 深度学习 |
| 2.3.1 卷积神经网络 |
| 2.3.2 图卷积神经网络 |
| 2.3.3 门控循环单元 |
| 2.3.4 残差网络 |
| 2.3.5 注意力机制 |
| 2.4 批标准化 |
| 2.5 正则化 |
| 2.6 本章小结 |
| 3 基于注意力机制的图卷积网络的交通流预测 |
| 3.1 数据描述与分析 |
| 3.1.1 数据描述 |
| 3.1.2 数据分析 |
| 3.2 问题定义 |
| 3.3 总体思路与模型框架 |
| 3.4 RES2GCN模型构建 |
| 3.4.1 模型输入 |
| 3.4.2 门控线性单元 |
| 3.4.3 图卷积网络 |
| 3.4.4 车流量空间特征提取 |
| 3.4.5 车流量时间特征提取 |
| 3.4.6 RES2GCN预测模型 |
| 3.5 仿真结果及分析 |
| 3.5.1 仿真环境及参数设置 |
| 3.5.2 对比模型介绍 |
| 3.5.3 评价指标 |
| 3.5.4 PEMS08 数据集结果分析 |
| 3.5.5 西雅图数据集结果分析 |
| 3.5.6 多步预测任务结果分析 |
| 3.6 本章小结 |
| 4 时空图卷积网络的交通流预测 |
| 4.1 总体思路与模型框架 |
| 4.2 模型构建 |
| 4.2.1 时间图卷积网络(T-GCN) |
| 4.2.2 序列到序列学习 |
| 4.2.3 编码器结构 |
| 4.2.4 解码器结构 |
| 4.2.5 时空图卷积网络整体框架 |
| 4.2.6 时空图卷积网络的计算原理 |
| 4.3 仿真结果及分析 |
| 4.3.1 仿真环境及参数设置 |
| 4.3.2 PEMS08 数据集结果分析 |
| 4.3.3 西雅图数据集结果分析 |
| 4.3.4 算法性能分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于城市道路交通数据的交通流短时预测与诱导方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语说明 |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 信息处理技术在智能交通中的国内外研究现状 |
| 1.2.1 交通数据预处理现状 |
| 1.2.2 交通状态预测现状 |
| 1.2.3 交通诱导信息处理现状 |
| 1.3 现有研究存在的问题与分析 |
| 1.4 论文的主要研究内容与创新点 |
| 1.5 论文的组织结构与安排 |
| 第2章 基于低秩矩阵的交通数据预处理方法 |
| 2.1 引言 |
| 2.1.1 城市道路交通数据特性分析 |
| 2.1.2 交通流参数数据检测技术 |
| 2.1.3 交通故障数据产生的原因 |
| 2.2 基于低秩矩阵的交通数据插补模型介绍 |
| 2.2.1 基于低秩矩阵的交通数据插补方法应用实例 |
| 2.2.2 基于核范数最小化的低秩矩阵插补模型 |
| 2.3 一种改进的低秩矩阵交通数据插补方法 |
| 2.3.1 基于稳健主成分分析矩阵插补方法研究 |
| 2.3.2 基于PSSV的交通数据插补方法 |
| 2.3.3 基于OPSSV的交通数据插补方法 |
| 2.3.4 实验验证与分析 |
| 2.4 本章小结 |
| 第3章 基于多交通参数融合的城市道路交通流短时预测方法 |
| 3.1 引言 |
| 3.2 交通参数的混沌特性 |
| 3.3 多参数时间序列相空间重构 |
| 3.4 多交通参数融合方法 |
| 3.4.1 常用数据融合方法比较分析 |
| 3.4.2 基于贝叶斯估计的交通参数融合方法 |
| 3.4.3 多交通流参数时间序列高维相空间融合方法 |
| 3.5 基于Lyapunov指数的多交通参数交通状态预测模型 |
| 3.6 基于GRNN的多交通参数交通状态预测模型 |
| 3.7 算例验证与分析 |
| 3.7.1 实验数据准备 |
| 3.7.2 实验验证与分析 |
| 3.8 本章小结 |
| 第4章 基于多神经网络融合的城市道路交通流短时预测方法 |
| 4.1 引言 |
| 4.2 城市道路交通流神经网络融合预测模型 |
| 4.2.1 交通流参数神经网络预测理论 |
| 4.2.2 城市道路交通流状态融合预测方法 |
| 4.2.3 基于多神经网络融合城市道路交通状态预测原理 |
| 4.2.4 基于多神经网络融合城市道路交通状态预测流程 |
| 4.3 算例验证与分析 |
| 4.3.1 实验数据准备 |
| 4.3.2 实验验证与分析 |
| 4.4 本章小结 |
| 第5章 基于VMS布设及诱导信息发布方法 |
| 5.1 引言 |
| 5.2 基于诱导信息效用最大化的VMS优化布设方法 |
| 5.2.1 问题分析 |
| 5.2.2 优化模型的建立 |
| 5.2.3 贪婪算法的优化步骤 |
| 5.2.4 评价指标的建立 |
| 5.2.5 实验验证与分析 |
| 5.3 基于VMS的诱导信息发布策略方法 |
| 5.3.1 VMS诱导信息发布策略博弈优化模型 |
| 5.3.2 VMS诱导信息发布策略博弈优化模型的算法 |
| 5.3.3 实验验证与分析 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间发表的学术论文 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（3）基于深度学习的短时交通流预测及其路径诱导的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 短时交通流预测研究现状 |
| 1.2.2 最优化路径诱导研究现状 |
| 1.2.3 困难与挑战 |
| 1.3 本文主要贡献 |
| 1.4 论文结构安排 |
| 第2章 相关理论与总体方案设计 |
| 2.1 短时交通流 |
| 2.1.1 相关参数 |
| 2.1.2 数据来源 |
| 2.1.3 数据分类 |
| 2.2 人工神经网络 |
| 2.2.1 激励函数 |
| 2.2.2 卷积神经网络 |
| 2.2.3 长短时记忆神经网络 |
| 2.2.4 网络预测评价标准 |
| 2.3 最优化路径诱导方法 |
| 2.3.1 路径规划算法 |
| 2.3.2 聚类算法 |
| 2.3.3 最优化路径评价函数 |
| 2.4 系统方案设计 |
| 2.5 本章小结 |
| 第3章 基于CNN-BiLSTM混合模型的短时交通流预测 |
| 3.1 模型框架 |
| 3.2 数据集预处理 |
| 3.2.1 数据集清洗 |
| 3.2.2 格式转换 |
| 3.3 CNN-BiLSTM混合神经网络 |
| 3.3.1 空间处理模块 |
| 3.3.2 时序处理模块 |
| 3.3.3 Dropout运算 |
| 3.4 实验结果与分析 |
| 3.4.1 ADF检验 |
| 3.4.2 模型参数设置与训练 |
| 3.4.3 预测结果与对比讨论 |
| 3.5 本章小结 |
| 第4章 基于自适应变邻域搜索算法的路径诱导研究 |
| 4.1 问题描述 |
| 4.2 K-mediods区域聚类分析 |
| 4.2.1 交通流等级划分 |
| 4.2.2 K-mediods聚类分析 |
| 4.3 自适应变邻域搜索算法 |
| 4.3.1 初始解 |
| 4.3.2 邻域结构 |
| 4.3.3 自适应更新法 |
| 4.3.4 算法流程 |
| 4.4 实验结果与分析 |
| 4.4.1 参数设置 |
| 4.4.2 路径搜索结果与对比讨论 |
| 4.5 本章小结 |
| 第5章 基于短时交通流预测的路径诱导系统的设计 |
| 5.1 总体架构 |
| 5.2 功能设计 |
| 5.3 系统模块 |
| 5.3.1 检测器模块 |
| 5.3.2 数据库模块 |
| 5.3.3 预测交通流模块 |
| 5.3.4 区域指挥中心模块 |
| 5.4 系统展示与分析 |
| 5.4.1 系统功能展示 |
| 5.4.2 系统性能分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）景区交通流量预测与游客行程规划技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多源异构数据预处理 |
| 1.2.2 区域流量预测 |
| 1.2.3 旅游行程规划 |
| 1.3 研究内容和创新点 |
| 1.4 本文组织结构安排 |
| 1.5 本章小结 |
| 第二章 多源异构旅游数据的构建和预处理 |
| 2.1 多源异构旅游数据概述 |
| 2.2 旅游数据的获取与构建 |
| 2.2.1 旅游平台数据 |
| 2.2.2 景点数据 |
| 2.2.3 地图数据 |
| 2.2.4 出租车GPS数据 |
| 2.3 旅游数据分析与处理 |
| 2.3.1 旅游平台数据分析 |
| 2.3.2 景区交通流量计算 |
| 2.4 本章小结 |
| 第三章 一种基于多源异构数据的景区交通流量预测方法 |
| 3.1 区域交通流量预测问题描述 |
| 3.2 M-GCNGRU预测模型 |
| 3.2.1 M-GCNGRU预测模型框架 |
| 3.2.2 景区特征建模 |
| 3.2.3 时空依赖性建模 |
| 3.2.4 M-GCNGRU模型学习优化 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据集描述 |
| 3.3.2 基线方法描述 |
| 3.3.3 评价标准 |
| 3.3.4 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于时空预测和时间框架的旅游行程规划方法 |
| 4.1 行程规划问题描述 |
| 4.1.1 基本定义 |
| 4.1.2 问题描述 |
| 4.2 基于游记文本的历史行程重构方法 |
| 4.2.1 景点实体识别方法与结果 |
| 4.2.2 历史行程重构方法与结果 |
| 4.3 基于景区流量和时间框架的旅游行程规划方法 |
| 4.3.1 时间框架 |
| 4.3.2 旅游体验 |
| 4.3.3 旅游行程规划方法 |
| 4.3.4 实验数据集描述 |
| 4.3.5 基线方法描述 |
| 4.3.6 实验结果分析与讨论 |
| 4.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
（5）基于时空动态图卷积神经网络的交通流预测方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流预测研究现状 |
| 1.2.2 图卷积神经网络研究现状 |
| 1.2.3 主要存在问题分析 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 路网交通流预测问题分析建模 |
| 2.1 交通流预测问题分析 |
| 2.1.1 交通流参数分析 |
| 2.1.2 交通流预测问题 |
| 2.2 图卷积网络预测模型分析 |
| 2.2.1 频域的图卷积网络 |
| 2.2.2 切比雪夫图卷积网络 |
| 2.3 评价方法设计 |
| 2.3.1 预测精度 |
| 2.3.2 预测时长适应性 |
| 2.3.3 抗噪声干扰性 |
| 2.4 本章小结 |
| 第三章 交通路网建模与交通流特征构建 |
| 3.1 数据描述 |
| 3.2 基于图谱理论的交通路网建模 |
| 3.2.1 交通路网建模 |
| 3.2.2 路网拓扑关系表达 |
| 3.3 交通流特性分析 |
| 3.3.1 交通流时间特性分析 |
| 3.3.2 交通流空间特性分析 |
| 3.3.3 交通流外源影响因素分析 |
| 3.4 交通流特征建模 |
| 3.4.1 交通流张量构建 |
| 3.4.2 交通流时间特征构建 |
| 3.5 基于图模型的路网交通流量预测问题定义 |
| 3.6 本章小结 |
| 第四章 基于图卷积神经网络的时空交通流预测模型 |
| 4.1 模型框架 |
| 4.2 交通流空间特性学习机制 |
| 4.2.1 全局空间拓扑学习机制 |
| 4.2.2 门控图卷积神经网络 |
| 4.3 交通流时间特性学习机制 |
| 4.3.1 纵向时间特征卷积 |
| 4.3.2 长短时记忆神经网络 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 实验结果分析 |
| 4.4.3 模型性能分析 |
| 4.5 本章小结 |
| 第五章 基于动态时空切比雪夫图卷积的交通流预测模型 |
| 5.1 模型框架 |
| 5.2 拉普拉斯矩阵动态更新模型 |
| 5.2.1 短时时间卷积 |
| 5.2.2 空间自注意力机制 |
| 5.3 动态图卷积网络预测模型 |
| 5.3.1 引入自更新拉普拉斯矩阵的切比雪夫图卷积 |
| 5.3.2 时间注意力机制 |
| 5.3.3 特征融合层 |
| 5.4 实验结果与模型性能分析 |
| 5.4.1 实验环境 |
| 5.4.2 预测精确度 |
| 5.4.3 预测时长适应能力 |
| 5.4.4 抗噪声干扰能力 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简介、在学期间的研究成果及发表的学术论文 |
（6）基于多特征融合的交通状态判别与预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外交通状态研究 |
| 1.2.2 国内外交通流预测研究 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 1.5 主要技术路线 |
| 第二章 相关基础理论 |
| 2.1 交通流基本参数 |
| 2.2 交通运行状态的基本特性 |
| 2.3 交通拥堵的定义 |
| 2.4 交通拥堵影响因素 |
| 2.5 交通运行评价指标 |
| 2.5.1 国外交通拥堵评价指标 |
| 2.5.2 国内交通拥堵评价指标 |
| 2.6 本章小结 |
| 第三章 交通状态影响因素分析 |
| 3.1 恶劣天气对交通系统的影响分析 |
| 3.1.1 降雨天气交通状态分析 |
| 3.1.2 降雪天气交通状态分析 |
| 3.1.3 雾霾天气对交通状态的影响 |
| 3.2 重大事件对城市道路交通系统的影响分析 |
| 3.3 交通流时间维特性分析 |
| 3.3.1 交通流相似性 |
| 3.3.2 交通流周期性 |
| 3.4 交通流空间维特性分析 |
| 3.5 本章小结 |
| 第四章 多特征融合的交通预测模型 |
| 4.1 深度学习基本模型 |
| 4.1.1 LSTM神经网络模型 |
| 4.1.2 GRU |
| 4.1.3 卷积神经网络 |
| 4.1.4 图卷积神经网络 |
| 4.2 多特征融合的时空图卷积网络 |
| 4.2.1 时空特征融合 |
| 4.2.2 周期特征模块 |
| 4.2.3 气候因子模块 |
| 4.3 交通数据获取 |
| 4.3.1 交通数据采集 |
| 4.3.2 PeMS数据集 |
| 4.4 交通数据预处理 |
| 4.4.1 异常数据识别 |
| 4.4.2 故障数据修复 |
| 4.5 评价方法和指标 |
| 4.6 实验结果对比与分析 |
| 4.6.1 对比模型介绍 |
| 4.6.2 PeMSD4和PeMSD8 数据集交通流量预测结果分析 |
| 4.6.3 PeMSD8 数据集交通速度预测结果分析 |
| 4.7 本章小结 |
| 第五章 交通状态判别与预测 |
| 5.1 基于聚类算法的交通状态判别 |
| 5.1.1 K-means聚类算法 |
| 5.1.2 数据准备 |
| 5.1.3 交通运行状态判别 |
| 5.2 基于多特征融合的交通状态预测 |
| 5.2.1 交通流量预测 |
| 5.2.2 交通速度预测 |
| 5.2.3 交通状态预测 |
| 5.3 实验结果与分析 |
| 5.3.1 预测交通流量与预测交通状态对比结果分析 |
| 5.3.2 不同模型预测交通运行状态对比结果分析 |
| 5.4 状态预测评价指标 |
| 5.4.1 混淆矩阵 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（7）基于多尺度时空图卷积网络的交通流预测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于统计理论的预测模型 |
| 1.2.2 基于机器学习的预测模型 |
| 1.2.3 基于深度学习的预测模型 |
| 1.3 主要研究内容与创新点 |
| 1.4 论文组织结构 |
| 第二章 相关理论基础 |
| 2.1 交通流预测理论基础 |
| 2.1.1 交通流概念及其特性 |
| 2.1.2 交通流预测模型的构建原则 |
| 2.2 时空特征提取模型 |
| 2.2.1 时序特征提取模型 |
| 2.2.2 空间特征提取模型 |
| 2.3 注意力机制 |
| 2.4 神经网络的构建方式 |
| 2.4.1 卷积神经网络的构建 |
| 2.4.2 图卷积神经网络的构建 |
| 2.5 交通流预测问题定义 |
| 2.6 本章小结 |
| 第三章 多尺度时空图卷积网络 |
| 3.1 总体思路与模型框架 |
| 3.2 注意力时空卷积块 |
| 3.2.1 时间特征提取 |
| 3.2.2 空间特征提取 |
| 3.2.3 时间注意力机制 |
| 3.3 多尺度时空图卷积层 |
| 3.3.1 图神经网络建模方式分析 |
| 3.3.2 多尺度时空图卷积层 |
| 3.4 周期特征融合 |
| 3.5 实验条件介绍 |
| 3.5.1 PeMS数据集 |
| 3.5.2 数据预处理 |
| 3.5.3 实验环境及参数设置 |
| 3.5.4 评价函数 |
| 3.6 实验设置与结果分析 |
| 3.6.1 基准方法 |
| 3.6.2 实验结果及分析 |
| 3.6.3 变体模型比较 |
| 3.7 本章小结 |
| 第四章 自适应周期特征融合网络 |
| 4.1 交通流周期性分析 |
| 4.2 周期特征融合策略 |
| 4.3 自适应周期特征融合策略 |
| 4.4 自适应周期时空图卷积网络 |
| 4.5 实验设置与结果分析 |
| 4.5.1 实验结果与分析 |
| 4.5.2 自适应周期特征融合网络通用性检验 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（8）基于改进灰狼算法优化模型的短时交通流预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文章节安排 |
| 第2章 相关理论及预测模型评价标准 |
| 2.1 短时交通流理论分析 |
| 2.1.1 交通流基本参数 |
| 2.1.2 交通流特性分析 |
| 2.2 短时交通流预测模型 |
| 2.2.1 BP神经网络 |
| 2.2.2 支持向量回归 |
| 2.2.3 Elman神经网络 |
| 2.3 群智能优化算法 |
| 2.3.1 粒子群算法 |
| 2.3.2 灰狼算法 |
| 2.4 预测模型评价标准 |
| 2.5 本章小结 |
| 第3章 改进灰狼算法优化SVR模型的短时交通流预测 |
| 3.1 引言 |
| 3.2 灰狼算法的改进策略 |
| 3.2.1 非线性收敛因子 |
| 3.2.2 加入权重的位置更新机制 |
| 3.3 改进灰狼算法的性能测试及分析 |
| 3.3.1 测试函数选取 |
| 3.3.2 测试结果及分析 |
| 3.4 IGWO优化SVR的预测模型构建 |
| 3.4.1 IGWO-SVR模型建立流程 |
| 3.4.2 数据集及预处理 |
| 3.4.3 仿真结果及分析 |
| 3.5 本章小结 |
| 第4章 基于改进灰狼算法优化Elman模型的短时交通流预测 |
| 4.1 引言 |
| 4.2 IGWO-Elman预测模型构建 |
| 4.2.1 Elman神经网络的优势及待优化分析 |
| 4.2.2 IGWO-Elman模型建立步骤 |
| 4.3 仿真分析 |
| 4.3.1 数据集及预处理 |
| 4.3.2 网络拓扑结构 |
| 4.3.3 仿真结果及分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间主要成果 |
| 致谢 |
（9）基于ABOA-LSSVM的短时交通流预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 短时交通流预测的概念流程 |
| 1.2.1 短时交通流预测的概念 |
| 1.2.2 短时交通流预测流程 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.3.3 现有研究的评价分析 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 第二章 交通流基本理论及数据预处理 |
| 2.1 交通流基本理论 |
| 2.1.1 交通流的基本参数 |
| 2.1.2 交通流特性分析 |
| 2.1.3 现有的交通流理论模型 |
| 2.2 数据预处理 |
| 2.2.1 数据的填补、修正操作 |
| 2.2.2 小波阈值降噪 |
| 2.2.3 数据降噪处理 |
| 2.3 本章小结 |
| 第三章 最小二乘支持向量机预测模型 |
| 3.1 短时交通流预测模型分析 |
| 3.1.1 基于数理统计方法的预测模型 |
| 3.1.2 基于非线性理论的预测模型 |
| 3.1.3 基于交通仿真的预测模型 |
| 3.1.4 组合预测模型 |
| 3.2 短时交通流的预测模型的需求特性 |
| 3.3 最小二乘支持向量机预测模型 |
| 3.3.1 统计学习理论 |
| 3.3.2 支持向量机理论 |
| 3.3.3 核函数概念 |
| 3.3.4 最小二乘支持向量机 |
| 3.4 本章小结 |
| 第四章 鲸鱼优化算法理论及其改进研究 |
| 4.1 鲸鱼优化算法基本原理 |
| 4.1.1 包围捕食方法 |
| 4.1.2 气泡网攻击阶段 |
| 4.1.3 搜寻猎物阶段 |
| 4.2 鲸鱼优化算法的改进研究 |
| 4.2.1 自适应权重策略 |
| 4.2.2 天牛须搜索策略 |
| 4.2.3 改进算法的执行步骤 |
| 4.3 改进算法的实验分型 |
| 4.3.1 改进算法的测试函数 |
| 4.3.2 函数仿真实验结果与分析 |
| 4.4 本章小结 |
| 第五章 ABOA-LSSVM的短时交通流预测 |
| 5.1 交通流特性与算法模型应用结合分析 |
| 5.2 实验数据重构和归一化 |
| 5.2.1 交通流数据分组和重构 |
| 5.2.2 数据归一化处理 |
| 5.3 ABOA-LSSVM预测模型的执行流程 |
| 5.4 ABOA-LSSVM的短时交通流预测算例仿真 |
| 5.5 预测结果对比 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A |
（10）基于投影寻踪的高速公路短时交通流预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 短时交通流预测的特征参数选取 |
| 1.3.2 短时交通流预测模型 |
| 1.3.3 投影寻踪方法及应用 |
| 1.3.4 研究现状总结 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 主要创新点 |
| 1.4.3 技术路线 |
| 第二章 相关基础理论知识 |
| 2.1 投影寻踪回归 |
| 2.1.1 投影寻踪基础概念 |
| 2.1.2 遗传求解算法 |
| 2.1.3 投影寻踪回归 |
| 2.2 BP神经网络模型 |
| 2.2.1 BP神经网络模型结构 |
| 2.2.2 BP神经网络实现步骤 |
| 2.3 本章小结 |
| 第三章 高速公路收费数据的分析与处理 |
| 3.1 基础数据分析 |
| 3.1.1 研究路段基础分析 |
| 3.1.2 基础收费数据分析 |
| 3.1.3 基于收费数据的收费站断面流量和行程时间统计方法 |
| 3.2 数据预处理方法 |
| 3.2.1 异常数据定义及识别 |
| 3.2.2 异常数据的处理 |
| 3.3 原始数据处理实例 |
| 3.3.1 断面流量数据处理 |
| 3.3.2 行程时间数据处理 |
| 3.4 本章小结 |
| 第四章 高速公路短时交通流的特性及预测影响因素分析 |
| 4.1 短时交通流的基本特性 |
| 4.2 短时交通流的时空特性 |
| 4.2.1 时间特性 |
| 4.2.2 空间特性 |
| 4.3 短时交通流的预测影响因素 |
| 4.3.1 灰色关联分析法 |
| 4.3.2 短时交通量预测影响因素的确定 |
| 4.3.3 短时行程时间预测影响因素的确定 |
| 4.4 本章小结 |
| 第五章 基于PPR的高速公路短时交通流预测 |
| 5.1 PPR预测模型的实现过程 |
| 5.2 基于PPR的短时交通流预测流程 |
| 5.3 实例分析 |
| 5.3.1 实验设计 |
| 5.3.2 收费站断面流量预测 |
| 5.3.3 行程时间预测 |
| 5.3.4 实验结果分析 |
| 5.4 本章小结 |
| 第六章 基于BPPP的高速公路短时交通流预测 |
| 6.1 BPPP模型的建立 |
| 6.1.1 PPR与BP神经网络对比分析 |
| 6.1.2 BPPP模型结构 |
| 6.2 BPPP预测模型实现过程与短时预测流程 |
| 6.2.1 BPPP预测模型的实现过程 |
| 6.2.2 基于BPPP的短时交通流预测流程 |
| 6.3 实例分析 |
| 6.3.1 实验设计 |
| 6.3.2 收费站断面流量预测 |
| 6.3.3 行程时间预测 |
| 6.3.4 实验结果分析 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 在学期间发表的论文和取得的学术成果 |
四、广义神经网络的研究及其在交通流预测中的应用（论文参考文献）
- [1]基于时空特征的短期车流量预测研究[D]. 武文瑜. 西安理工大学, 2021(01)
- [2]基于城市道路交通数据的交通流短时预测与诱导方法研究[D]. 郭义戎. 兰州理工大学, 2021(01)
- [3]基于深度学习的短时交通流预测及其路径诱导的研究与实现[D]. 房崇鑫. 扬州大学, 2021(08)
- [4]景区交通流量预测与游客行程规划技术研究[D]. 施元磊. 西北大学, 2021(12)
- [5]基于时空动态图卷积神经网络的交通流预测方法[D]. 郑雨馨. 福建工程学院, 2021
- [6]基于多特征融合的交通状态判别与预测研究[D]. 张硕. 江西理工大学, 2021(01)
- [7]基于多尺度时空图卷积网络的交通流预测算法研究[D]. 温钧林. 江西理工大学, 2021(01)
- [8]基于改进灰狼算法优化模型的短时交通流预测研究[D]. 孟思涛. 东华大学, 2021(09)
- [9]基于ABOA-LSSVM的短时交通流预测研究[D]. 胡松. 昆明理工大学, 2021(01)
- [10]基于投影寻踪的高速公路短时交通流预测方法研究[D]. 余涛. 重庆交通大学, 2021