导读:本文包含了短时预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:通流,神经网络,时行,时间,序列,小波,卷积。
短时预测论文文献综述
刘学刚,张腾飞,韩印[1]（2019）在《基于ARIMA模型的短时交通流预测研究》一文中研究指出高效利用短时交通流数据进行预测,建立合理的预测模型对于有效缓解交通拥挤问题十分必要。首先获取时间序列数据,判断序列的平稳性,然后用Eviews软件对时间序列数据构建ARIMA誗6,1,6誗模型,通过最小二乘估计法进行参数估计,并对残差检验是否为白噪声数据,对该ARIMA模型进行交通量的静态预测,最后对预测结果做出评价,结果显示拟合效果较好,表明ARIMA模型在短时交易量预测时有很大的应用价值。(本文来源于《物流科技》期刊2019年12期）
卢滨,张烙超,肖伯俊,杨强,张珏[2]（2019）在《基于CALINE4的短时城市道路交通污染物浓度预测》一文中研究指出仅依靠单一类型污染物浓度预测不能全面揭示城市道路空气污染物的特征和演变规律。交通污染物排放与交通流特性关系密切,通过时空依赖性的区域路网短时交通流STARIMA预测模型获取车流量,结合杭州市交通流特性与排放的关系模型,预测未来短时期内城市路网交通排放,构建CALINE4机动车尾气扩散模型,估算杭州市不同道路未来短时交通污染物浓度。通过对杭州区域道路的交通及污染物排放进行实验分析,该模型预测未来短时交通污染物浓度具有较高的精度,平均误差维持在约28%。(本文来源于《科技通报》期刊2019年11期）
裘瑞清,周后盘,吴辉,阮益权,石敏[3]（2019）在《基于LSTM循环神经网络的泊位需求短时预测研究》一文中研究指出本文提出基于深度学习理论的LSTM(Long Short-Term Memory,长短期记忆)单元的循环神经网络泊位需求预测模型,根据前几个小时泊位需求变化量对后续时间点对应的泊位需求量进行预测。以杭州某大学为实验对象,采用随机两天和特定两天数据进行实践验证。结果显示:采用LSTM循环神经网络模对区域内泊位需求进行预测能够比传统方法在结果上更加接近实际值,并且精度较为满意,表明该预测方法可行有效。(本文来源于《自动化技术与应用》期刊2019年11期）
许光斌[4]（2019）在《智慧交通短时流量预测研究》一文中研究指出交通流量预测及诱导是当前研究的热点,准确的预测交通流量才能高效规划和诱导交通,保证交通通畅。通过分析并搭建小波神经网络预测模型,利用现有短时交通流量数据进行训练验证并仿真,科学的指导交通流量的相应预测,从而精确的指导交通诱导。(本文来源于《数字通信世界》期刊2019年11期）
陈思曲,李效松,唐克双[5]（2019）在《基于深度卷积神经网络的行程速度短时预测》一文中研究指出快速路作为城市交通的骨架与动脉,准确的短时行程速度预测对交通诱导与管理控制有着重大意义。以往的方法通常未充分考虑交通数据时间与空间的关联性,且对卷积神经网络模型在该领域的应用研究不足。针对这些问题,本文基于上海市2011年延安高架快速路线圈检测器数据,首先针对原始数据的特点提出了完备的数据处理方案,随后按时空关系将线圈数据排列为二维矩阵并生成图像。在此基础上,将行程速度时空图像作为模型学习对象,并确定叁个预测任务,建立完善的神经网络设计与优化流程,得到相应的深度卷积神经网络模型。最后,引入传统数理统计模型与人工神经网络进行模型的综合对比评价。结果表明,卷积神经网络模型的预测精度达到95.93%,预测绝对误差较传统行程速度预测模型下降了30.12%,同时具有更高的训练效率。此外,该模型得到的行程速度时空图像能准确反映交通事件的产生、延续、消散过程,与原始数据生成的图像基本一致。本文研究成果可以为城市快速路的交通管理与控制部门提供更可靠的行程速度预测信息。(本文来源于《第十四届中国智能交通年会论文集》期刊2019-11-01）
沈凌,陆建,邓翎,冯怡[6]（2019）在《基于收费数据的高速公路短时客货运输量短时预测研究》一文中研究指出目前高速公路收费数据的应用水平较低,仅限于车辆记录、联网收费等简单功能,这导致高速数据资源的严重浪费。针对高速公路收费数据量大和多输入多输出的特点,采用ARIMA (p,d,q)模型对客货运量相关数据进行机器学习训练,进而对短时客货运输量短时预测。首先,利用Onemine数据平台对收费大数据构建时间序列;其次,采用差分法对网络流的时间序列d次差分,完成平稳性处理;最后训练得到满足平稳性检验的项数p,q,并将其代入原ARIMA模型,预测之后7个时间集计区间(未来一周)各行政区域间的客货运输量。结果表明,该模型适用于高速收费数据的多输入多输出环境和庞大的数据量,具有良好的鲁棒性和准确性。(本文来源于《第十四届中国智能交通年会论文集》期刊2019-11-01）
钟晨昊,王蒙,赵威,张亚楠[7]（2019）在《基于LSTM的平面交叉口短时交通流预测》一文中研究指出针对平面交叉口四方向进口的交通流量具有时空相关性的特点,提出了一种基于长短期记忆LSTM(Long Short-Term Memory)网络的平面交叉口短时交通流预测模型。将以四方向进口历史交通流数据为基础的四维时间序列数据输入LSTM模型中进行训练,并使用OpenITS合肥示范区数据对提出的模型进行验证。结果表明,与传统的BP神经网络相比,该方法预测效果具有更好的表现,是一种预测精度高的预测方法。(本文来源于《公路交通技术》期刊2019年05期）
董红生,刘青,林娟,苏芳[8]（2019）在《基于短时心率变异性信号两种熵测度的过速型室性心律失常的预测分析》一文中研究指出目的:过速型室性心律失常[持续性室性心动过速或心室纤颤(VT/VF)]是心脏猝死的主要诱因,测试VT/VF发生前心率变异性信号是否有明显改变可作为VT和VF发生的提前预报信号。方法:以78名患者体内心脏复律除颤器记录的VT/VF事件发生前心率变异性信号(VT/VF序列)和来自同一患者的正常窦性节律(CON序列)组成的135个样本对作为实验序列。通过预处理消除实验序列的伪差、异位心搏等干扰,采用两种基于熵的非线性复杂度测度——样本熵和逐点多尺度熵(PPMSE),分析VT和VF发生前十几分钟的VT/VF序列,以及心率增加和减小的VT/VF序列复杂性,并采用PPMSE方法讨论了接近VT/VF发生时VT/VF序列复杂性变化。结果:与正常对照组CON序列相比,在一定匹配容差内,VT/VF发生前心率变异性信号的样本熵明显减小(r<0.25×SD, P<0.000 5),心率增加的VT/VF序列减小更显着(r<0.3×SD, P<0.000 1);VT/VF序列的PPMSE在越接近VT/VF发生时刻减小越显着,提取的CI指数存在显着差异(如1～30尺度,N=986、500、250时,P=1.5×10-2、P=4.3×10-3、P=1.3×10-5),心率增加的VT/VF序列区分性能更好。结论:过速型心律失常的自然发作并不是突发现象,在其发作前或许存在某种生理预兆,两种熵测度可能是短时预报恶性室性心律失常事件的有效非线性参数。(本文来源于《中国医学物理学杂志》期刊2019年10期）
杨航,王忠宇,邹亚杰,吴兵[9]（2019）在《基于二次修正的短时行程时间预测模型》一文中研究指出为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差叁个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.(本文来源于《同济大学学报(自然科学版)》期刊2019年10期）
李明明,雷菊阳,赵从健[10]（2019）在《基于LSTM-BP组合模型的短时交通流预测》一文中研究指出为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络(LSTM)和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTMBP的短时交通流精确预测.通过与LSTMBPWNN叁种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.(本文来源于《计算机系统应用》期刊2019年10期）
短时预测论文开题报告
（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：
仅依靠单一类型污染物浓度预测不能全面揭示城市道路空气污染物的特征和演变规律。交通污染物排放与交通流特性关系密切,通过时空依赖性的区域路网短时交通流STARIMA预测模型获取车流量,结合杭州市交通流特性与排放的关系模型,预测未来短时期内城市路网交通排放,构建CALINE4机动车尾气扩散模型,估算杭州市不同道路未来短时交通污染物浓度。通过对杭州区域道路的交通及污染物排放进行实验分析,该模型预测未来短时交通污染物浓度具有较高的精度,平均误差维持在约28%。
（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。
短时预测论文参考文献
[1].刘学刚,张腾飞,韩印.基于ARIMA模型的短时交通流预测研究[J].物流科技.2019
[2].卢滨,张烙超,肖伯俊,杨强,张珏.基于CALINE4的短时城市道路交通污染物浓度预测[J].科技通报.2019
[3].裘瑞清,周后盘,吴辉,阮益权,石敏.基于LSTM循环神经网络的泊位需求短时预测研究[J].自动化技术与应用.2019
[4].许光斌.智慧交通短时流量预测研究[J].数字通信世界.2019
[5].陈思曲,李效松,唐克双.基于深度卷积神经网络的行程速度短时预测[C].第十四届中国智能交通年会论文集.2019
[6].沈凌,陆建,邓翎,冯怡.基于收费数据的高速公路短时客货运输量短时预测研究[C].第十四届中国智能交通年会论文集.2019
[7].钟晨昊,王蒙,赵威,张亚楠.基于LSTM的平面交叉口短时交通流预测[J].公路交通技术.2019
[8].董红生,刘青,林娟,苏芳.基于短时心率变异性信号两种熵测度的过速型室性心律失常的预测分析[J].中国医学物理学杂志.2019
[9].杨航,王忠宇,邹亚杰,吴兵.基于二次修正的短时行程时间预测模型[J].同济大学学报(自然科学版).2019
[10].李明明,雷菊阳,赵从健.基于LSTM-BP组合模型的短时交通流预测[J].计算机系统应用.2019
论文知识图
