导读:本文包含了交通流量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:交通,神经网络,流量,卷积,深度,时空,关联性。
交通流量预测论文文献综述
祁欣学,覃锡忠,贾振红,常春,樊树铭[1]（2019）在《基于田口集成学习的最佳交通流量预测模型》一文中研究指出针对预测准确性对数据相关性和网络结构极为敏感的问题,采用田口方法选择集成学习的结构参数,在保证学习多样性的同时,提高选择过程的效率,保证预测的准确性。实验仿真计算结果表明,在多个路段的交通流量数据集上,该方法皆取得了满意的预测效果,模型具有较好的鲁棒性。将仿真结果与其它算法进行比较,比较结果表明,相比传统ARIMA、MLP模型,其预测精度分别提高了4.51%、11.23%。(本文来源于《计算机工程与设计》期刊2019年12期）
许光斌[2]（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）
王天明,符天[3]（2019）在《卷积深度人工神经网络在城市交通流量预测中的应用》一文中研究指出交通流量预测是智能交通网络管理系统的重要组成部分。了解交通流量以及对高峰时间或事故造成的交通拥堵可以做一个短期预测,也有助于此类系统更有效地管理城市道路,并将车流引导至最合适的迂回路线。许多现有的交通流量预测系统都是基于一个中央处理组件来设计的,由中央处理组件通过汇总来所有测量节点采集的信息来进行预测。但是,集中式系统不具有可扩展性,不能向系统提供实时反馈,而在分散式方案中,每个节点负责根据相邻节点的局部流量测量来预测自己的短期拥塞。提出了一种基于可扩展深度学习的方法,根据相邻站点的拥塞状态,实时准确地预测各个节点的拥塞状态。(本文来源于《电脑编程技巧与维护》期刊2019年10期）
佟健颉,黎英,王一旋[4]（2019）在《基于深度残差网络的短时交通流量预测》一文中研究指出建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%～4%,可以看出该模型一定程度上提高了预测精度。(本文来源于《电子测量技术》期刊2019年18期）
孙国道,曹帝胄,梁荣华[5]（2019）在《神经网络驱动的交通流量预测可视分析方法》一文中研究指出神经网络在交通流量预测领域内已经得到广泛运用,但是使用神经网络进行流量预测还存在下列问题:神经网络模型结果好坏依赖于输入数据的质量,网络训练的中间过程难以观察以及神经网络结构难以实时调整等。而可视分析技术适合用于数据过滤、挖掘和展示,因此在传统的基于神经网络的交通流量预测方法上结合可视分析技术可以帮助用户更高效地搭建神经网络。在数据层面,运用查询语句可视化技术可以对原始数据进行可视过滤和展示,从而帮助用户得到理想的训练数据。在神经网络结构方面,相对于传统的机器学习训练方法,结合可视分析技术的方法可以通过对神经网络结构和中间结果的可视分析,帮助用户观察神经网络训练过程,从而使得用户能够更好地调节神经网络参数,最终帮助用户探索合适的神经网络模型。(本文来源于《浙江工业大学学报》期刊2019年05期）
晏臻,于重重,韩璐,苏维均,刘平[6]（2019）在《基于CNN+LSTM的短时交通流量预测方法》一文中研究指出针对传统的预测方法只考虑到了交通流量的时序特征,忽略了其空间特征这一问题,提出卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的短时交通流量预测模型。通过CNN挖掘相邻路口交通流量的空间关联性,通过LSTM模型挖掘交通流量的时序特征,将提取的时空特征进行特征融合,实现短期流量预测。实验结果表明,CNN+LSTM模型预测误差明显小于其它模型,验证了考虑时空特征进行交通流量预测的有效性。(本文来源于《计算机工程与设计》期刊2019年09期）
贾伟,赵雪芬[7]（2019）在《基于改进卷积神经网络的短时交通流量预测》一文中研究指出为了提高短时交通流量的预测准确率,提出采用改进的BP神经网络预测交通流量。首先,针对粒子群优化算法易陷入局部最优解和收敛速度慢的问题,提出改进一种的粒子群优化算法,通过双种群搜索的策略提高粒子群优化算法的寻优能力和收敛性。然后,利用改进的粒子群优化算法选取BP神经网络的权值和阈值。最后,将改进的BP神经网络应用到短时交通流量预测中。实验结果表明,与现有的BP神经网络相比,改进的BP神经网络能够有效提高交通流量预测的准确性。(本文来源于《现代计算机》期刊2019年25期）
何芸[8]（2019）在《基于PSO-LSTM算法的智能交通流量预测研究》一文中研究指出交通流量本身具有很强的不确定性,复杂、多变,容易受到随机因素的扰动,并且规律性不明显。随着不同预测方法的引入,对短时交通流的预测也出现了许多预测模型。长短期记忆模型擅长于处理和预测时间序列中具有时间间隔和延迟相对较长特征的重要事件。粒子群算法是一种通过模拟鸟群捕食行为设计的随机优化技术。本研究引入粒子群算法优化长短期记忆模型,使用昆明市某个路口断面所采集的过车数据作为训练集和测试集。本研究使用matlab软件进行上述模型的建模和预测,使用均方误差模型进行预测模型的误差分析。结果表明,引入粒子群算法优化模型后,预测误差降低60%,PSO算法优化LSTM模型能够更为准确的预测交通流量。(本文来源于《青海交通科技》期刊2019年04期）
李志帅,吕宜生,熊刚[9]（2019）在《基于图卷积神经网络和注意力机制的短时交通流量预测》一文中研究指出本文提出一种基于图卷积神经网络和注意力机制的短时交通流量预测模型.该模型利用图卷积网络捕获路网流量空间特征;利用自注意力机制调整网络输出,提高最终预测结果的精确度.实验结果表明,相较于对比方法,本文提出的图卷积注意力网络模型可提升预测精度.(本文来源于《交通工程》期刊2019年04期）
郑友康[10]（2019）在《基于SVR的道路交通流量短时预测》一文中研究指出随着智能交通技术的发展,车辆诱导系统作为智能交通系统的重要组成部分,已成为交通管理部门疏导城市道路交通的有效途径。短时交通流预测作为车辆诱导系统的关键技术以及智能交通领域非常重要的理论基础,通过对道路交通流的分析和预测,给用户提供最佳的行驶路线,优化交通管理方案,均衡交通流。但短时交通流量具有高度的非线性,复杂性,随机性,前人已经做了大量的工作,笔者引入了SVR来对路口的交通流量进行预测,支持向量回归(SVR)具有需求样本少,高抗干扰,泛化能力强的特点,实验表明本文所提方法收敛精度较高,收敛速度也满足要求。(本文来源于《计算机产品与流通》期刊2019年08期）
交通流量预测论文开题报告
（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：
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。
（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。
交通流量预测论文参考文献
[1].祁欣学,覃锡忠,贾振红,常春,樊树铭.基于田口集成学习的最佳交通流量预测模型[J].计算机工程与设计.2019
[2].许光斌.智慧交通短时流量预测研究[J].数字通信世界.2019
[3].王天明,符天.卷积深度人工神经网络在城市交通流量预测中的应用[J].电脑编程技巧与维护.2019
[4].佟健颉,黎英,王一旋.基于深度残差网络的短时交通流量预测[J].电子测量技术.2019
[5].孙国道,曹帝胄,梁荣华.神经网络驱动的交通流量预测可视分析方法[J].浙江工业大学学报.2019
[6].晏臻,于重重,韩璐,苏维均,刘平.基于CNN+LSTM的短时交通流量预测方法[J].计算机工程与设计.2019
[7].贾伟,赵雪芬.基于改进卷积神经网络的短时交通流量预测[J].现代计算机.2019
[8].何芸.基于PSO-LSTM算法的智能交通流量预测研究[J].青海交通科技.2019
[9].李志帅,吕宜生,熊刚.基于图卷积神经网络和注意力机制的短时交通流量预测[J].交通工程.2019
[10].郑友康.基于SVR的道路交通流量短时预测[J].计算机产品与流通.2019
论文知识图
