论文总字数：39556字

摘 要

随着科技的发展，汽车保有量剧增，交通事故、交通堵塞等问题成为世界难题。智能交通系统作为解决交通问题的最有效方法，依赖于精确的交通流预测。因此实时准确的短时交通流预测，成为研究人员研究的焦点。然而交通流量数据的混沌性与多周期性为短时交通流预测带来了严峻挑战。

短时交通流预测方法分为统计学习和机器学习两大类。信号采集能力以及计算机计算能力的提升，使深度学习成为短时交通流预测的重要模型。本文用深度回声状态网络(DESN)进行短时交通流预测，针对网络的超参数数目多且对超参数敏感的问题提出一种改进果蝇优化算法(IFOA)对网络超参数寻优。IFOA中加入多种群策略、果蝇学习策略和子种群交流策略，以增加种群位置数目与子种群间、果蝇个体间的交流，提高果蝇优化算法的全局搜索能力，解决果蝇优化算法局部搜索能力强但全局搜索能力弱的问题。最后将连续十周的交通流数据进行预处理后，用于模型进行对比试验，实验中采用回声状态网络、循环神经网络、小波神经网络等算法作为对比算法。结果表明，与对比算法相比本文提出的基于DESN-IFOA的预测模型具有更好的预测能力，其训练及预测结果的平均绝对误差小于6，平均平方误差降低到60以下，模型的平均绝对百分比误差低于6%。

关键词：短时交通流预测；基于DESN-IFOA的预测模型；数据预处理；超参数优化

Abstract

With the development of science and technology, the number of cars has increased dramatically, and problems such as traffic accidents and traffic jams have become a world-wide problem. Intelligent transportation system, the most effective method to solve traffic problems, relies on accurate traffic flow prediction. Therefore, real-time and accurate short-term traffic flow prediction has been gaining great attention from researchers. However, the chaos and multi-periodicity of traffic flow data pose severe challenges for short-term traffic flow prediction.

Short-term traffic flow prediction methods are divided into two categories: statistical learning and machine learning. With the improvement of signal acquisition and computing capabilities, deep learning has become an important model for short-term traffic flow prediction. In this paper, the deep echo state network (DESN) is used to achieve short-term traffic flow prediction. To solve the problem that the network is sensitive to hyperparameters and there are too many hyperparameters, an improved fruit fly optimization algorithm (IFOA) for hyperparameter optimization is proposed. The fruit fly optimization algorithm has strong local search ability but weak global search ability, but our IFOA improves its global search ability by adding multi-group strategy, fruit fly learning strategies and sub-population communication strategies, increasing the number of population positions and enhance the communication between sub-populations and fruit fly individuals. Finally, pre-processing traffic data of ten consecutive weeks is used for model comparison test. In the experiment, our comparison algorithms are echo state network, recurrent neural network and wavelet neural network. The results show that our prediction model based on DESN-IFOA proposed in this paper has better prediction ability compared to other algorithms. The average absolute error of its training and prediction results is less than 6, the average square error is reduced to below 60, and the average absolute percentage error of our model is lower than 6%.

Key Words：short-term traffic flow prediction；deep echo state network；improved fruit fly algorithm；data preprocess；hyperparameter optimization

目 录

第1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

1.3 主要内容与论文结构

第2章 交通流数据分析与处理

2.1 短时交通流概述

2.2 交通流数据

2.3 交通流特性

2.4 交通流数据预处理

2.4.1 错误数据处理

2.4.2 缺失数据处理

2.4.3 数据整合

2.4.4 数据降噪

2.5 本章小结

第3章 基于IFOA-DESN的短时交通流预测

3.1 基于深度回声状态网络的短时交通流预测

3.1.1 回声状态网络

3.1.2深度回声状态网络

3.1.3 基于深度回声状态网络的短时交通流预测模型

3.2 改进果蝇优化算法

3.2.1 果蝇优化算法

3.2.2 改进果蝇优化算法

3.3 基于IFOA-DESN的短时交通流预测

3.4本章小结

第4章 仿真与分析

4.1 评价指标与参数设置

4.1.1 评价指标

4.1.2 参数设置

4.2 模型仿真结果与分析

4.2.1 交通流量预处理效果与分析

4.2.2 模型训练结果与分析

4.2.3 模型预测结果与分析

4.3 本章小结

第5章 总结与展望

参考文献

致 谢

第1章 绪论

1.1研究背景及意义

1.1.1 研究背景

随着人们生活水平的提升，汽车由奢侈品变成日常出行的必需品，汽车数量激增，城市车流量也水涨船高。城市交通问题成为全球各国面临的难题，主要有交通拥堵，交通安全，能源浪费，环境污染等。

我国作为快速发展的人口大国，这种现象尤为明显。据全球大型在线地图平台TomTom统计的交通指数显示,2019年全球城市拥堵程度排名前100的城市中，我国大陆占8个，分别是重庆、广州、珠海、深圳、北京、长沙、成都、长春。此外，国家统计局统计显示，截至2018年底，我国汽车保有量达2.4亿辆,并仍呈增长趋势如图1.1所示。日益增加的车辆给交通路网带来越来越重的负担，致使我国汽车交通事故数目居高不下如图1.2所示。尽管我国各城市交通基础设施不断完善，但其建设速度仍远远低于车辆增长速度，并日趋饱和。2018年我国公路里程增长率为1.5%，和2016年相比下降1%。而汽车保有量却稳步上升，悬殊的增长差距加剧了机动车数量与路面交通承载力之间的矛盾。由此可见，我国交通状况前景堪忧。因此，如何提高道路利用率、避免交通拥堵、降低交通事故发生率，以保障人们便捷安全的出行，已成为众多研究人员的研究焦点。

图1.1 汽车保有量柱形图

请支付后下载全文，论文总字数：39556字