一、ARIMA模型在交通事故预测中的应用（论文文献综述）
寻鲁宁[1]（2021）在《河北省部分地区居民伤害死亡流行病学特征分析及时间序列预测》文中认为目的描述分析2014-2018年河北省部分地区居民伤害死亡的流行病学特征及发展变化趋势,明确现阶段伤害死亡对居民期望寿命的影响,运用时间序列法建立ARIMA模型对伤害死亡的未来发生进行预测,探索时间序列法在伤害死亡趋势预测中的应用,为制定伤害死亡控制策略和措施提供科学依据。方法收集整理河北省疾病预防控制中心网络直报死因监测系统中2014年1月1日-2018年12月31日居民伤害死亡数据,对伤害死亡水平、伤害死亡类型、减寿情况及其变化趋势进行描述流行病学分析。以2014年1月-2018年12月河北省居民伤害月度死亡例数作为样本,应用时间序列法建立ARIMA模型,预测2019年各月度伤害死亡人数并与实际值进行验证比较,探讨时间序列法在伤害死亡趋势预测中的应用。结果1 2014-2018年河北省部分地区全死因共死亡438727人,年均死亡率为593.76/10万,男性死亡率为676.31/10万,女性死亡率为507.63/10万,男性死亡率明显高于女性,差异具有统计学意义（χ2=8900.87,P<0.05）;农村死亡率为603.64/10万,城市死亡率为565.25/10万,农村死亡率明显高于城市,差异具有统计学意义（χ2=352.80,P<0.05）。全死因顺位前五位依次是:心脏病、脑血管病、恶性肿瘤、呼吸系统疾病和伤害,年均死亡率分别为186.87/10万、149.80/10万、122.82/10万、37.83/10万和36.16/10万。2 2014-2018年河北省部分地区伤害死亡26721人,年均伤害死亡率为36.16/10万,男性伤害死亡率为51.91/10万,女性伤害死亡率为19.73/10万,男性伤害死亡率显着高于女性,差异具有统计学意义（χ2=5288.229,P<0.05）;农村伤害死亡率为39.95/10万,城市伤害死亡率为25.23/10万,农村伤害死亡率高于城市,差异具有统计学意义（χ2=847.475,P<0.05）;不同年龄组伤害死亡率存在差异,0～岁年龄组死亡率为10.33/10万,随后略有下降,到10～岁组开始上升,到了85～岁年龄组达到最高峰（241.14/10万）,各年龄组男性伤害死亡率均高于女性。3 2014-2018年间河北省部分地区伤害死亡率以年百分比4.16%的速度稳定下降,其中男性下降速度为3.87%,女性下降速度为3.67%,男性伤害死亡率降速高于女性,年估计变化百分比均有统计学意义（均P<0.05）。4 2014-2018年河北省部分地区伤害死亡主要类型依次是:道路交通事故、自杀、意外中毒、意外跌落、溺水和火灾,在全部伤害死亡中所占比重达82.96%,各类型构成比分别为49.20%、10.79%、9.64%、8.51%、3.36%和1.46%。男性各类型伤害死亡率均高于女性,男女伤害均以道路交通事故死亡率为最高,分别为26.69/10万、8.51/10万。农村各类型伤害死亡率均高于城市,自杀位居农村伤害死因顺位第二位,死亡率为4.62/10万,意外跌落位居城市伤害死因顺位第二位,死亡率为2.51/10万。不同年龄组伤害死亡类型构成不同,道路交通事故是各个年龄组伤害死亡的首要原因,尤其在15～44岁年龄组中所占比重最大,为71.91%;溺水是导致0～14岁年龄组儿童死亡的重要原因,占该年龄组伤害死亡的27.50%;自杀是45～64岁年龄组伤害死亡的又一重大原因,占该年龄组伤害死亡的13.65%;意外中毒在65～岁年龄组伤害死亡人数中所占比重第二高,为19.15%。5 2014-2018年河北省部分地区居民期望寿命为78.63岁,去伤害死因后期望寿命为79.50岁,男性期望寿命为76.15岁,去伤害死因后期望寿命为77.33岁,女性期望寿命为81.36岁,去伤害死因后期望寿命为81.85岁。6 2014年1月-2018年12月河北省部分地区月均伤害死亡445.35人,伤害死亡水平整体呈现下降趋势,且具有明显的周期变动规律,应用时间序列法构建的最佳预测模型为ARIMA（0,1,1）（1,1,0）12,赤池信息量准则（AIC）为484.78,贝叶斯准则（BIC）为490.33,残差序列为白噪声序列（P>0.05）,模型参数显着非零（均P<0.05）,预测结果实际值均落入预测值95%置信区间内,预测值与实际值之间的相对误差在1.18%～18.87%之间,RMSE=32.29,MAE=25.92,MAPE=6.39%,模型预测性能良好。结论1.伤害死亡位居全死因顺位第五位,男性伤害死亡率高于女性,农村地区高于城市,随着年龄的增长,伤害死亡率逐渐上升。2.伤害死亡率呈逐年下降趋势。3.伤害死因前五顺位分别是:道路交通事故、自杀、意外中毒、意外跌落、溺水;0～14岁、15～44岁、45～64岁、65～岁的重要伤害死因分别是溺水、道路交通事故、自杀和意外中毒。4.去伤害死因后期望寿命女性高于男性。5.ARIMA模型在伤害死亡预测中具有良好的可行性,可用于伤害死亡趋势的短期预测。图7幅;表22个;参156篇。
温钧林[2]（2021）在《基于多尺度时空图卷积网络的交通流预测算法研究》文中进行了进一步梳理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。
张玺君[3]（2021）在《面向城市交通流的数据修复与短时交通流预测方法研究》文中指出城市交通流具有非线性、自组织性、时空性、随机时变性、周期相似性等特性,致使短时交通流预测技术复杂、难度大。本文以城市交通流特性分析为基础,基于信号分析与处理、神经网络、深度学习、机器学习、数据挖掘、遗传算法等技术,对面向城市交通流的数据修复与短时交通流预测展开了研究,并最终应用到出租车共乘线路推荐方面。因此,如何根据城市交通流的特性选用预测性能良好的模型,完成短时交通流量预测是非常重要的一项研究课题。具体来说,本文的贡献体现在四个方面:1.针对城市交通流的周期相似性、非线性、波动性、时空相关性和混沌特性,分析了交通流的动态波动过程。利用数据质量评测标准对数据集总体质量进行了分析,就存在不完整、短期缺失和异常等问题数据集,在现有预处理技术的研究基础上,利用长短期记忆网络（Long Short-Term Memory,LSTM）具有良好的预测精度、适合处理时间序列、消除梯度消失的优势,通过对LSTM网络结构中的记忆门改进的基础上,提出了一种基于R-LSTM的数据预处理修复模型。该模型分析了在不同缺失率、不同采样间隔下的数据修复性能。实验结果表明,该模型的数据修复性能比其他常见的六种参考模型好,它更适合处理中长期前后有依赖性的时间序列,修复问题数据的精确度可以达到97%以上。2.从交通流时空特性出发,分析了不同采样间隔交通流数据采集的时空复杂度,研究了相邻站点探测器之间的时间相关性和空间相关性,为研究基于深度学习的短时交通流预测提供理论基础。为了分析交通流时间序列中隐含的混沌特性,相空间重构的延迟时间τ用C-C算法求出,嵌入维数m用G-P算法求出,用基于小样本数据方法来计算最大Lyapunov指数,最终可以判断交通流时间序列是否具有混沌性。将一维交通流时间序列通过相空间重构变为多维的交通流时间序列,结合门控循环单元（Gate Recurrent Unit,GRU）高效的计算效率,提出基于相空间重构门控循环单元（Phase Space Reconstruction-Gate Recurrent Unit,PSR-GRU）的短时交通流预测模型。通过分析5分钟、10分钟和15分钟采样间隔下该模型的预测性能,得到该模型比其他参考模型的预测精度高,能够捕捉到交通流高峰时刻前后波动趋势。实验结果表明,该预测模型在5分钟采样间隔下的预测准确率达到95%以上,在10分钟采样间隔下的预测准确率达到97%以上,在15分钟采样间隔下的预测准确率达到94%以上。3.针对交通流时间序列的线性和非线性特征,分析了交通流参数间的三相图变化过程。利用交通流变化的天相似性,将交通流数据划分为工作日和非工作日,确定交通流从线性到非线性变化的时间索引号,利用分段预测思想,寻找各段最优预测模型。本文提出了一种SARIMA-LSTM-XGBOOST的组合预测模型,利用SARIMA来预测交通流线性部分,利用LSTM-XGBOOST组合模型预测交通流的非线性部分。该组合模型经不同采样间隔交通流数据集、空间相关性较强的上下游探测器数据集和出租车速度数据集测试,实验结果表明,其预测精度比其他参考文献中所提模型提高了6%左右,可以实现复杂环境下高精度预测。4.精确的预测结果可以为线路推荐提供依据,然而现有的共乘模式没有体现出司机与乘客共同受益的问题。为了提高出租车的搭载率和减小主干道拥堵,利用百度地图进行站点映射,选用基于区域划分的聚类算法分析出租车轨迹数据中乘客上下车比较集中的站点。以乘客出行费用减少幅度与司机收益增加幅度之差最小作为目标函数,结合基于拥堵等级判断的共乘最短路径选择方法,提出了一种基于改进遗传算法的出租车共乘模式。采用动态请求的方式对乘客的共乘过程及共乘费用进行了对比分析。实验结果表明,该共乘模式可以优化出租车的行驶线路,提高出租车的行驶效率,平衡司机和乘客之间的收支。论文主要解决了缺失值和异常值的高精度修复问题,就不同采样间隔下的交通流时间序列特性进行了详细分析,提出了针对不同特征的短时交通流预测方法,这在某种程度上解决了复杂多变环境下城市交通流短时预测的难题。另外,利用出租车轨迹数据特征,结合交通流预测结果,划分了路网拥堵等级,从提高搭载率和减小主干道交通拥堵出发,提出基于多目标的共乘模式和共乘计价策略,从而为城市交通流特性分析及应用研究提供理论依据及参考价值。
王晨辉[4]（2021）在《基于组合模型的短时交通流预测方法研究》文中进行了进一步梳理随着机动车保有量的大幅度上升和私家车的全球性普及,导致交通系统的负载过大,环境污染也随之加剧。面对复杂且难以管控的交通拥堵问题,人工智能技术完美的应用在交通系统当中,在此背景下智能交通获得飞速发展。智能交通系统是通过信息化的方式管理交通的一种现代化手段,而交通流预测是智能交通系统中不可替代的核心成分。因此,为了缓解交通拥堵,提高城市路网的利用率,本文在研究和分析了传统预测模型的利弊后,选择组合模型的方式对短时交通流的预测展开研究。本文所做的主要工作如下:1.针对单一模型无法深入挖掘交通流复杂的线性和非线性特征的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型。该组合模型有效的融合了季节性差分自回归滑动平均模型（Seasonal Autoregressive Integrated Moving Average,SARIMA）模型突出的线性拟合能力和Elman递归神经网络强大的非线性映射能力,首先基于SARIMA滚动预测时间序列的线性分量;然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法（Genetic Algorithm,GA）优化Elman-RNN,旨在提升Elman-RNN的训练效率;最后把两个模型的预测结果加权组合得到最终的预测值。实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型和其他类似组合模型都有较为明显的提升。2.针对交通流数据在采集过程中会受到各种噪声的干扰,单一维度交通流特征的片面性以及交通系统在时空维度方面存在关联性等问题,本文提出了一种基于EEMD-GRU的多元交通流组合预测方法。首先,利用集成经验模态分解算法（Ensemble Empirical Mode Decomposition,EEMD）去除交通流多元时间序列的噪声信息;然后对降噪后的多元序列结合时空特征进行重构;最后构建基于门控循环单元（Gated Recurrent Unit,GRU）的循环神经网络完成多元时间序列的拟合,进行交通流的预测。该组合模型结合了神经网络的建模思想和数据挖掘领域的算法设计,分析了交通流参数间的相关特征和多元时间序列的时空特性,提高了预测精度,拓展了短时交通流预测的研究方向。通过实验仿真分析,该组合模型的预测精度相比基于LSTM的单变量和多变量预测模型都有较大的提升。
陶龙[5]（2021）在《基于混合神经网络与多维因素的短时交通流预测研究》文中研究说明交通拥堵作为全世界亟待解决的重要问题之一,越来越受到国家与政府的关心与关注。智能交通系统是当今社会解决交通出行问题的又一创新方式,其将先进的科学技术应用于道路交通系统,旨在从监测、预警、诱导等多方面解决交通拥堵问题。智能交通系统中最重要的一环是交通流预测,高效、实时、准确的交通流预测能够有效缓解城市道路出行状况,一方面可以为人们日常出行提供可靠的交通诱导信息,降低高峰出行的可能;另一方面也可为政府等道路交通管理部门提供高可靠的决策依据,实现城市道路的优化设计。虽然现有的交通流预测方法与理论已经取得较好的结果,但是考虑到交通流是受多种因素影响的复杂时间序列,以及混合网络结构强大的特征提取能力,且将这些方面相结合的研究相对较少,因此,本文从交通流基本理论入手,对交通流预测模型展开了研究,主要工作如下:1.对交通流基本概念进行了论述,分析了交通流的基本特性,探索各特性对交通流产生的影响。对经典的交通流预测理论进行了回顾,探讨了交通流数据预处理技术存在的问题以及处理步骤。2.针对交通流受天气因素影响以及交通流数据呈现出序列数据特征,提出了基于天气加权因子与队列混合神经网络的交通流预测方法,使用相关系数法进行天气加权因子模型的构建,引入队列单元进行混合神经网络搭建。最后采用15分钟数据集进行模型的训练以及预测,预测的结果与同类别的T-LSTM、T-GRU、T-Bi-LSTM模型相比,本文提出的模型在准确率方面优于其他模型。3.针对交通流具有很强的时空特性且Bi-LSTM网络与Conv-GRU网络分别在时间与空间特征提取上的优势,提出了基于时空分析与混合深度网络的交通流预测理论。首先对交通流的周期相似性进行了定量分析,使用图论理论建立路网站点邻接矩阵。然后采用Bi-LSTM网络提取交通流时间周期性特征,使用Conv-GRU网络提取交通流空间特征。最后,对特征提取结果进行融合处理。实验结果表明:此模型时空特征提取能力优势明显,对比现有的相关模型,有效提升了预测的准确率。
罗向龙[6]（2021）在《基于图傅里叶变换和深度学习的短时交通流预测方法研究》文中研究指明随着社会经济的发展,现有的公路基础设施已经很难满足人们的出行需求。无论在高速公路和城市道路交通拥堵已经成为困扰交通管理部门的难题。信息技术、控制技术、网络技术等的飞速发展,产生的智能运输系统（Intelligent Transportation Systems,ITS）是全球公认的解决交通拥堵等问题的主要途径。近些年来,物联网、互联网+、大数据、人工智能等新技术的出现,更是给ITS注入了新的活力。如何利用最新的人工智能技术对交通状态做出预测,以便出行者选择合适的出行路线,从而减少出行时间、交通拥堵和环境污染成为ITS研究的热点。在对交通流预测的国内外研究现状分析的基础上,利用皮尔逊相关系数、相关函数定性与定量对交通流的时空相关性进行了分析。在时间特性上,分析了交通流工作日和非工作日以及连续相同工作日的相似性以及周期性,从时间角度为交通流预测模型数据集的选择奠定了理论基础。在空间特性上,对路网中不同路段交通流的相关性以及局部相似性进行了分析,结果表明路网中不同路段交通流的相关性与路段之间的距离有关,但相关性并不与路段的距离成反比,为交通流预测模型的构建奠定了基础。对交通数据异常产生原因,交通异常数据监测的肖维勒、狄克逊、莱依达方法进行分析的基础上,提出了一种局部莱依达准则的交通数据异常检测方法,并通过实验验证了提出方法在异常检测的可靠性和有效性;分析了交通数据缺失的原因并对缺失数据进行了分类,针对结构性交通数据缺失,提出了一种改进的基于矩阵低秩分解的结构性数据修复方法,并以实际的交通流量数据对提出方法的性能进行了测试和分析,表明了提出方法的有效性。以离散图信号处理的基本理论为基础,结合交通流的时空相关性,构造了一种基于数据和距离相关的路网邻接矩阵,并提出了一种基于图傅里叶变换的交通流时间序列和路网交通流数据分解方法,将交通流数据分解成基本的趋势项和随机波动项。充分考虑交通流的时空相关性,利用K近邻（K-nearest Neighbor,KNN）算法对路网中的不同路段的交通流数据进行筛选,在基于图傅里叶变换（Graph Fourier Transform,GFT）交通数据分解的基础上,结合深度学习模型中长短期记忆网络（Long Short-Term Memory,LSTM）处理时间序列的优势,提出了一种融合KNN、GFT和LSTM的组合交通流预测模型KNN-LSTM。实测的交通流数据测试结果表明,相比于传统的自回归滑动平均模型、机器学习中的经典模型支持向量机、浅层人工神经网络、深度信念网络和LSTM的深度学习模型,本文提出的方法具有更好的预测性能。针对现有关于大规模路网中所有路段交通流预测研究的不足,提出了一种基于K-means聚类分析和矩阵分解的路网交通流压缩预测方法。利用K-means聚类分析对路网中不同路段的交通流量进行聚类分析,以欧式距离作为判定标准将路网的路段划分为K个子集,对每个子集随机选择一个路段作为该子集所有路段的代表,从而构造路网数据的压缩矩阵。通过路网原始数据矩阵与构造的压缩矩阵计算两者之间的映射关系,对构造压缩矩阵的路段分别建立预测模型进行交通流预测,最后通过映射关系获得整个路网所有路段交通流的预测结果。实验结果表明提出的方法在保证预测精度的条件下,大大提高了运算速度,是一种有效的大规模路网交通流预测方法。
孙云飞[7]（2021）在《城市道路短时交通流预测方法研究与应用》文中研究说明随着中国城市化进程的加快,城市汽车保有量不断增加,城市交通需求呈现增长态势,引发出交通拥堵、交通事故等一系列关乎民生福祉的问题,严重阻碍了城市的高质量发展。在当前的城市智能交通系统中,快速准确的交通流预测是城市交通控制的必要前提,在智能交通系统中发挥着重要作用。基于以上背景,本文对道路数据特征展开研究,提出了不同交通原始数据情况下的两种短时交通流预测方法,设计并实现了一个短时交通流预测系统,主要工作如下:（1）提出了基于改进贝叶斯的短时交通流组合预测模型。针对单个模型精度差、适用场景范围小的不足,将差分滑动平均自回归预测模型、灰色预测模型和长短时记忆网络预测模型进行组合,同时把贝叶斯算法引入组合权重评估中,提出了最近迭代权重的贝叶斯计算方法,利用子模型最近预测误差来动态分配组合权重,在提高组合模型灵敏度的同时加快了模型的迭代速度。采用Pe MS交通数据集测试了本文模型,实验结果表明,该组合预测模型在均方根误差等指标优于对比模型,具有更高的预测精度。（2）提出了基于道路时空特征的短时交通流预测模型。针对传统算法难以捕获交通流时间和空间关系的不足,将目标道路原始交通流数据信号分解为趋势数据、残差数据和固定周期数据,使用门控循环单元对趋势数据部分进行时间维度的特征挖掘和预测,同时使用卷积神经网络分析周围道路交通流与目标道路残差数据间的关系,对残差数据部分进行空间维度上的特征挖掘和预测。最后,将趋势数据、残差数据和周期数据进行汇总完成最终的预测。采用Pe MS交通数据集测试了本文模型,实验结果表明,本文提出的交通流预测模型能够对目标道路的空间维度和时间维度进行有效的特征挖掘,与对比模型相比具有更高的预测精度。（3）设计并实现了一套城市道路短时交通流预测系统。该系统可提供多用户同时在线进行模型训练与预测的功能,设计了交通流预测系统的整体架构与系统子模块,并对预测系统主要功能模块的实现过程进行了详细阐述。
朱杰[8]（2021）在《基于出行大数据的城市重点区域交通状态识别方法与应用研究》文中进行了进一步梳理近年来,机动车保有量和交通出行量的不断提升,加上违规占道及乱停车等现象屡禁不止,导致学校和医院及周边等重点区域的交通拥堵问题越发严重。学校与医院等城市重点区域往往是居民交通出行的主要区域,城市重点区域的交通运行状态与居民生活息息相关。交通拥堵不仅增加了出行过程中的延误,也使得交通事故发生率提高,严重威胁中小学生与医患人员的出行安全。然而,我国应用的城市交通运行状态识别,主要从宏观角度出发,重点关注道路网络全局交通运行变化情况,较少有微观指标专门针对学校、医院等重点区域的交通运行状态识别,不利于交通管理部门提早采取疏导应对措施。为方便交通管理部门提前制定重点区域疏导措施和诱导社会公众合理安排出行,急需针对学校、医院等重点区域的交通运行状态识别研究。本文基于智慧交通的处理思路与技术,分别从重点区域交通数据处理、运行状态识别、识别状态应用三个层面,开展城市重点区域交通拥堵识别技术与应用的研究。交通数据处理方面,主要开展重点区域交通数据填补、交通数据短时预测研究;运行状态识别方面,主要开展重点区域交通状态识别研究;识别状态应用方面,主要开展重点区域交通信息查询和信息服务方案发布研究。本文的主要研究成果如下:（1）提出含缺失权重的交通流量矩阵化数据填补模型数据填补是开展交通拥堵状态识别的前期工作,考虑到数据存在不完整的情况,从时间和空间两方面入手,利用机器学习法,建立数据填补模型。首先,针对历史数据,优化现有深度学习方法,构建基于领域-降噪堆叠自编码器（ND）模型,弥补缺失或损害的数据;然后,引入空间处理思路,研究构建含缺失权重的交通流量矩阵化填补模型。实验发现,模型在处理完全随机交通数据恢复、随机卡口缺失数据恢复中,均取得较好恢复效果。（2）提出基于时序残差网络的重点区域短时交通预测模型以预测精度高和资源占用少为目标,建立基于时序残差网络为基础的重点区域短时交通预测模型。模型主要由中心模块与独立模块构成,前者在于发现共性问题,后者主要就各条道路提炼个性问题,接着借助模型融合形成时序残差网络交通流预测模型。实验发现,短时预测模型精确较高,达到Acc0.02的97%且所需参数较少。（3）提出基于聚集交通量比里程分布的重点区域交通状态识别模型从微观角度出发,首先验证聚集交通量变化与交通拥堵的产生、发展与消散存在密切的相关性;然后针对区域内重点导致拥堵的路段进行挑选研究;之后运用粗糙集模型对交通拥堵区间进行细分;最后依托学校和医院监测数据,完成了聚集交通量比里程概率分布模型的建立,形成分段线性方程,并提出评价重要区域交通指数方法。相较传统指数,模型在评估区域范围交通拥堵状态方面精准性更高。（4）提出基于动态Dc-top-k的交通状态信息查询算法从动态分区方面进一步完善了Top-k查询算法。首先,运用分治检索的思路,形成Dc-top-k选择算法。然后,引入动态自适应分区算法,进一步优化Dc-top-k算法,增加智能分区功能,形成动态自适应分区Dc-top-k算法。实验发现,同其它选择算法相比来说,动态自适应分区Dc-top-k算法在查询效果与扩展性方面表现突出,非常适用于并行处理。上述四项研究从数据处理、状态识别、结果应用三个层面完成了城市重点区域交通状态识别及应用工作,从微观层面提出了有针对性的评价方法,为后续更准确分析研究和有针对性治理措施提供有力保障。此外,智慧交通的应用和用户使用都离不开信息交互系统的支持。文章根据高德地图和北京市公安交管局提供2019年全年学校医院周边道路监测数据,利用高德开放式平台,结合各项研究成果,进行实例研究,将北京市学校、医院等重点区域交通信息发布服务方案进行发布,为交通管理部门和社会公众提供实时拥堵信息查询。
张逸飞,付玉慧[9]（2020）在《基于ARIMA-BP神经网络的船舶交通事故预测》文中认为为提高船舶交通事故的预测精度,提出将自回归综合移动平均（autoregressive integrated moving average, ARIMA）模型与BP神经网络组合的船舶交通事故预测方法。该方法考虑船舶交通事故的复杂性和非线性因素,充分结合ARIMA模型与BP神经网络的优势,分别从简单加权和残差优化角度对ARIMA模型与BP神经网络的不同组合方法进行比较研究,并将其应用于2000—2018年英国籍船舶交通事故预测中。结果表明:与ARIMA模型、BP神经网络和ARIMA-BP的简单加权组合预测方法进行对比,ARIMA-BP的残差优化组合预测方法的预测精度最高,其均方根误差、平均绝对误差和平均绝对百分比误差分别为7.16、6.0和4.9%。本文提出的船舶交通事故预测方法可以为相关人员的决策提供指导。
潘哲逸[10]（2020）在《城市时空数据预测中的深度元学习算法研究》文中进行了进一步梳理在大数据时代,数据是科技发展和社会发展的重要燃料。近年来,随着移动感知技术的发展,城市中时空数据的收集量呈现出爆炸式的增长,越来越多的企业和政府部门意识到这些数据的潜在价值。与传统数据的形式不同,这些时空数据包含城市中各个地点的空间静态属性和其时间动态读数,可以反映城市的变化状态,所以,预测城市时空数据并从中挖掘出有用的知识,是利用数据创造价值的重要途径。它可以帮助解决现代城市发展过程中面临的诸多问题,如交通拥堵、空气污染、能耗增加等等,从而提升城市运行效率、居民生活幸福感,因此,时空数据的准确预测是现代城市通向智能化的重要一步。在时空数据预测这个前沿领域,科研人员已经发表了大量成果。在深度学习技术重新崛起之前,传统机器学习算法在该领域占据主导地位。但是,传统机器学习算法自身的模型复杂度较低,它们依赖于大量精心设计的手工特征,才能进行有效的时空数据建模。所以,受此限制,传统机器学习方法的通用性较差。近年来,随着硬件计算能力的提升和海量时空数据的积累,深度学习技术给时空数据建模领域提供了新的研究方向。现有的深度学习模型致力于从时空数据中学习时空相关性,通过用神经网络提取时空特征,来提升预测准确度。但是,获取的数据只是时空相关性的一种表象,而时空相关性的产生本质上受到其他更复杂的因素的影响（如地区的功能和特性等）。当前的这些工作只是简单地从表象数据中拟合时空相关性,而并未考虑这种时空相关性产生的原因。为了深入研究数据中的时空相关性,本文首先提出了时空相关性的多样性问题、空间信息与多样时空相关性的关联问题、时序信息与多样时空相关性的关联问题,以及时空神经网络结构的自动化设计问题。为了解决上述问题,本文分别提出方案来提升时空神经网络模型的预测能力。首先,在时空相关性的多样性问题研究中,本文提出了一个通用、轻量的时空深度学习框架。该框架采用神经网络参数矩阵低秩分解的方案,可以从数据中学习区域特性,并为每个区域生成各自的预测网络参数权重,来帮助现有的神经网络模型建模多样的时空相关性,并提升预测准确度。然后,在空间信息与多样时空相关性的关联问题研究中,本文提出了一个基于神经网络参数元学习的框架。这个框架从空间信息中学习与时空相关性有关的元知识,并用该元知识生成时空神经网络模型的参数权重,从而建模空间信息与时空相关性的关联。接下来,在时序信息与多样时空相关性的关联问题研究中,本文提出了一个基于神经网络参数元学习的框架。该框架从时序信息中学习与时空相关性有关的语义信息,并将其与空间信息中的元知识相结合,共同生成时空神经网络模型的参数权重,从而进一步建模时序信息与多样时空相关性的关联。最后,在时空神经网络结构的自动化设计问题研究中,本文整理了时空数据建模中的基础神经网络结构,用它们构建神经网络模型的搜索空间,然后用可导神经网络结构搜索算法,自动搜寻时空神经网络结构。此外,本文也在该搜索算法中引入了参数权重元学习模块,从而建模多样的时空相关性。本文以城市区域流量预测和路网交通速度预测任务为支点,验证上述的技术方案,以此说明这些方案的优势以及本文的贡献。
二、ARIMA模型在交通事故预测中的应用（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、ARIMA模型在交通事故预测中的应用（论文提纲范文）
（1）河北省部分地区居民伤害死亡流行病学特征分析及时间序列预测（论文提纲范文）
| 摘要 |
| abstract |
| 英文缩略表 |
| 引言 |
| 第1章 资料研究 |
| 1.1 资料与方法 |
| 1.1.1 资料来源 |
| 1.1.2 资料收集 |
| 1.1.3 资料分析 |
| 1.1.4 统计分析 |
| 1.1.5 质量控制 |
| 1.2 结果 |
| 1.2.1 人口基本概况 |
| 1.2.2 全死因死亡情况 |
| 1.2.3 主要死因构成比及顺位 |
| 1.2.4 河北省居民伤害死亡情况 |
| 1.2.5 河北省居民伤害死亡趋势 |
| 1.2.6 不同伤害死亡类型死亡情况 |
| 1.2.7 期望寿命及去伤害死因期望寿命情况 |
| 1.2.8 时间序列模型建立及预测 |
| 1.3 讨论 |
| 1.3.1 全死因死亡情况分析 |
| 1.3.2 伤害死亡水平及变化趋势分析 |
| 1.3.3 不同伤害死亡类型死亡情况分析 |
| 1.3.4 期望寿命及去伤害死因期望寿命分析 |
| 1.3.5 时间序列模型预测效果分析 |
| 参考文献 |
| 结论 |
| 第2章 综述 伤害死亡流行病学特征及时间序列预测的相关研究进展 |
| 2.1 国内外研究现状 |
| 2.1.1 国外伤害死亡研究现状 |
| 2.1.2 国内伤害死亡研究现状 |
| 2.2 我国伤害死亡流行特征及变化趋势 |
| 2.2.1 伤害死亡资料来源 |
| 2.2.2 全国伤害死亡流行特征及变化趋势 |
| 2.2.3 地区性伤害死亡流行特征及变化趋势 |
| 2.3 我国伤害死亡时间序列预测研究 |
| 2.4 小结与展望 |
| 参考文献 |
| 致谢 |
| 在学期间研究成果 |
（2）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 |
（3）面向城市交通流的数据修复与短时交通流预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语说明 |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流数据预处理技术研究 |
| 1.2.2 交通流短时预测技术研究 |
| 1.2.3 共乘线路推荐技术研究现状 |
| 1.3 论文的研究内容及方法 |
| 1.4 论文的组织结构与安排 |
| 第2章 城市交通流数据特性分析 |
| 2.1 引言 |
| 2.2 城市交通流数据的表征 |
| 2.2.1 交通流三要素 |
| 2.2.2 交通流三相理论 |
| 2.2.3 实验数据说明 |
| 2.3 城市交通流的特性分析 |
| 2.3.1 自组织性 |
| 2.3.2 不确定性 |
| 2.3.3 非线性特性 |
| 2.3.4 周期性 |
| 2.3.5 随机时变性 |
| 2.3.6 时空特性 |
| 2.4 城市交通流时空变化特性分析 |
| 2.4.1 城市交通流时间变化特征分析 |
| 2.4.2 城市交通流空间变化特性分析 |
| 2.4.3 不同采样间隔下的城市交通流时空复杂度测算 |
| 2.5 城市交通流混沌特性识别 |
| 2.5.1 常见的识别方法 |
| 2.5.2 最大Lyapunov指数法 |
| 2.6 本章小结 |
| 第3章 基于R-LSTM的交通流数据预处理方法 |
| 3.1 引言 |
| 3.2 交通流数据的识别方法 |
| 3.2.1 缺失数据的识别 |
| 3.2.2 异常数据的识别 |
| 3.3 常见的数据预处理技术 |
| 3.3.1 移动平均法 |
| 3.3.2 指数平滑法 |
| 3.3.3 差分指数平滑法 |
| 3.3.4 历史趋势法 |
| 3.3.5 重复数据与数据标准化处理 |
| 3.4 基于R-LSTM的数据修复方法 |
| 3.4.1 LSTM模型概述 |
| 3.4.2 基于改进LSTM的数据修复方法(R-LSTM) |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据质量评测分析 |
| 3.5.2 数据预处理方法 |
| 3.5.3 实验环境及评价指标 |
| 3.5.4 修复结果及性能分析 |
| 3.6 本章小结 |
| 第4章 基于相空间重构理论的短时交通流预测 |
| 4.1 引言 |
| 4.2 基于相空间重构的交通流时间序列特性分析 |
| 4.2.1 相空间重构的基本原理 |
| 4.2.2 交通流时间序列相空间重构过程 |
| 4.2.3 相空间重构的参数估计算法 |
| 4.2.4 相重构条件下交通流时间序列网络构建 |
| 4.3 基于相空间重构的GRU短时交通流预测 |
| 4.3.1 GRU模型结构 |
| 4.3.2 GRU前向传播过程 |
| 4.3.3 GRU反向传播过程 |
| 4.4 实验结果与分析 |
| 4.4.1 相空间重构各参数估计 |
| 4.4.2 不同采样间隔的交通流混沌特性判断 |
| 4.4.3 基于PSR-GRU的短时交通流预测实验 |
| 4.5 本章小结 |
| 第5章 基于深度学习的短时交通流组合预测模型 |
| 5.1 引言 |
| 5.2 相关模型 |
| 5.2.1 线性模型 |
| 5.2.2 非线性回归模型 |
| 5.3 基于深度学习的组合模型建模过程 |
| 5.3.1 SARIMA建模流程 |
| 5.3.2 LSTM-XGBOOST组合模型建模过程 |
| 5.3.3 SARIMA-LSTM-XGBOOST组合模型 |
| 5.4 实验结果与分析 |
| 5.4.1 评价标准 |
| 5.4.2 数据集说明 |
| 5.4.3 模型参数设定 |
| 5.4.4 结果分析 |
| 5.5 本章小结 |
| 第6章 基于道路拥堵等级的出租车共乘模式 |
| 6.1 引言 |
| 6.2 共乘模式建模过程 |
| 6.2.1 出租车共乘模式建模 |
| 6.2.2 基于区域划分的聚类算法 |
| 6.2.3 改进遗传算法设计 |
| 6.3 共乘定价建模过程 |
| 6.3.1 模型构建 |
| 6.3.2 基于拥堵等级的R-Floyd算法 |
| 6.3.3 计费算法 |
| 6.4 实验结果与分析 |
| 6.4.1 数据来源 |
| 6.4.2 共乘线路推荐分析 |
| 6.4.3 共乘模式下计费分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 论文创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的学术论文 |
| 附录 B 攻读学位期间主持/参与的科研项目 |
（4）基于组合模型的短时交通流预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 交通流预测方法的分类 |
| 1.3.2 预测模型概述 |
| 1.3.3 组合预测模型的概述 |
| 1.4 本文的主要内容与结构安排 |
| 1.4.1 论文主要内容 |
| 1.4.2 论文组织结构 |
| 第2章 相关理论与技术 |
| 2.1 交通流预测理论 |
| 2.1.1 交通流三要素 |
| 2.1.2 交通流预测基本概念 |
| 2.2 短时交通流特性分析 |
| 2.2.1 周期性 |
| 2.2.2 线性和非线性 |
| 2.2.3 时间相关性和空间相关性 |
| 2.3 交通流预测模型原理分析 |
| 2.3.1 SARIMA模型原理分析 |
| 2.3.2 Elman简单循环神经网络原理分析 |
| 2.3.3 LSTM和 GRU模型原理分析 |
| 2.4 交通数据预处理技术 |
| 2.4.1 缺失值和异常值处理 |
| 2.4.2 噪声处理 |
| 2.4.3 数据归一化和标准化 |
| 2.5 本章小结 |
| 第3章 基于SARIMA-GA-Elman组合模型的短时交通流预测方法研究 |
| 3.1 引言 |
| 3.2 SARIMA线性模型 |
| 3.2.1 滚动预测 |
| 3.2.2 模型阶数判断 |
| 3.3 GA-Elman非线性误差模型 |
| 3.3.1 构建误差训练矩阵 |
| 3.3.2 GA优化Elman神经网络 |
| 3.4 SARIMA-GA-Elman组合模型 |
| 3.4.1 组合模型的预测框架 |
| 3.5 实验仿真 |
| 3.5.1 模型评估标准 |
| 3.5.2 数据集和模型参数设定 |
| 3.5.3 实验结果分析 |
| 3.6 本章小结 |
| 第4章 基于EEMD-GRU组合模型的多元短时交通流预测方法研究 |
| 4.1 引言 |
| 4.2 交通流EEMD降噪 |
| 4.3 多元交通流输入矩阵重构 |
| 4.3.1 交通流三要素相关性分析 |
| 4.3.2 交通流时空相关性分析 |
| 4.3.3 输入矩阵重构 |
| 4.4 EEMD-GRU组合模型的预测框架 |
| 4.5 实验仿真 |
| 4.5.1 数据源和实验环境 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读硕士学位期间的学术成果 |
| 附录 B 攻读硕士学位期间参与的科研项目 |
（5）基于混合神经网络与多维因素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 短时交通流预测研究现状 |
| 1.2.1 参数模型 |
| 1.2.2 非参数模型 |
| 1.2.3 组合模型 |
| 1.2.4 多维数据驱动模型 |
| 1.3 本文研究内容与贡献 |
| 1.4 本文结构安排 |
| 第2章 交通流基础及相关理论 |
| 2.1 交通流预测基本概念 |
| 2.1.1 交通流参数 |
| 2.1.2 短时交通流预测 |
| 2.2 数据来源 |
| 2.3 交通流特性分析 |
| 2.3.1 周期性 |
| 2.3.2 不确定性 |
| 2.3.3 非线性 |
| 2.3.4 自相关性 |
| 2.3.5 随机性 |
| 2.4 经典交通流预测模型 |
| 2.4.1 ARIMA模型 |
| 2.4.2 SVM模型 |
| 2.4.3 BP模型 |
| 2.4.4 RNN模型 |
| 2.5 数据预处理技术 |
| 2.5.1 数据常见问题 |
| 2.5.2 数据预处理步骤 |
| 2.6 本章小结 |
| 第3章 基于队列混合神经网络与天气加权因子的交通流预测 |
| 3.1 引言 |
| 3.2 知识介绍与模型建立 |
| 3.2.1 循环神经网络及其变体 |
| 3.2.2 队列混合神经网络 |
| 3.2.3 天气加权因子 |
| 3.2.4 构建输入矩阵 |
| 3.3 实验与结果分析 |
| 3.3.1 评估模型 |
| 3.3.2 结果分析 |
| 3.4 本章小结 |
| 第4章 基于时空分析与混合深度网络的交通流预测 |
| 4.1 引言 |
| 4.2 理论与模型构建 |
| 4.2.1 交通流时空特性分析 |
| 4.2.2 深度神经网络结构 |
| 4.3 实验与结果分析 |
| 4.3.1 时间特征数据提取 |
| 4.3.2 空间特征数据提取 |
| 4.3.3 模型参数设置 |
| 4.3.4 评价指标 |
| 4.3.5 结果与分析 |
| 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 |
| 致谢 |
| 附录A 攻读硕士学位期间所发表的学术成果 |
| 附录B 攻读硕士学位期间参与的科研项目 |
（6）基于图傅里叶变换和深度学习的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 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 路段交通流预测 |
| 1.2.2 路网交通流预测 |
| 1.2.3 交通流预测国内外研究总结 |
| 1.3 论文主要研究内容 |
| 1.4 技术路线 |
| 第二章 交通流基本特征及时空特性分析 |
| 2.1 概述 |
| 2.2 交通流的基本特征及交通流预测 |
| 2.2.1 交通流的基本特征 |
| 2.2.2 交通流预测的概念 |
| 2.2.3 交通流预测的流程 |
| 2.2.4 交通流预测的评价指标 |
| 2.3 相关性分析理论 |
| 2.3.1 相关系数 |
| 2.3.2 相关函数 |
| 2.4 交通流时空相关性分析 |
| 2.4.1 时间相关性分析 |
| 2.4.2 交通流空间相关性分析 |
| 2.5 多路段(断面)交通流时空特性分析 |
| 2.5.1 数据来源 |
| 2.5.2 多路段(断面)交通流时空相关性分析 |
| 2.6 路网交通流时空特性分析 |
| 2.6.1 数据来源 |
| 2.6.2 路网交通流时空相关性分析 |
| 2.7 本章小结 |
| 第三章 交通数据异常检测和缺失数据修复 |
| 3.1 概述 |
| 3.2 交通数据异常及检测 |
| 3.2.1 交通数据异常 |
| 3.2.2 交通数据异常检测常用方法 |
| 3.2.3 基于局部莱依达准则的交通异常数据检测 |
| 3.2.4 实验及结果分析 |
| 3.3 交通数据缺失及修复 |
| 3.3.1 数据缺失的分类 |
| 3.3.2 基于低秩矩阵分解的数据补全 |
| 3.3.3 改进的基于低秩矩阵分解的交通数据补全 |
| 3.3.4 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 基于图傅里叶变换的交通流数据分解 |
| 4.1 概述 |
| 4.2 图信号及图傅里叶变换 |
| 4.2.1 图信号的概念 |
| 4.2.2 图傅里叶变换 |
| 4.3 基于图傅里叶变换的交通数据分解 |
| 4.3.1 图信号理论分析交通流数据的可行性 |
| 4.3.2 路网交通数据邻接矩阵的构造 |
| 4.3.3 基于图傅里叶变换的交通流时间序列分解 |
| 4.3.4 基于图傅里叶变换的路网交通流数据分解 |
| 4.4 基于图傅里叶变换的交通流数据压缩 |
| 4.5 实验结果及分析 |
| 4.5.1 交通流数据预处理 |
| 4.5.2 交通流时间序列分解结果及分析 |
| 4.5.3 路网交通流分解结果及分析 |
| 4.5.4 交通流数据压缩结果及分析 |
| 4.6 本章小结 |
| 第五章 基于图傅里叶变换和深度学习的路段交通流预测 |
| 5.1 概述 |
| 5.2 深度学习基本理论 |
| 5.2.1 深度学习概述 |
| 5.2.2 循环神经网络模型 |
| 5.3 基于GFT分解的KNN-LSTM交通流预测模型 |
| 5.3.1 基于GFT分解的KNN-LSTM预测模型基本原理 |
| 5.3.2 基于图傅里叶变换的交通流量分解 |
| 5.3.3 基于k近邻算法的相关路段选择 |
| 5.3.4 基于GFT分解的KNN-LSTM路段交通流预测 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 基于数据压缩的路网交通流预测 |
| 6.1 概述 |
| 6.2 路网交通流压缩预测的基本原理 |
| 6.3 压缩矩阵的构造 |
| 6.3.1 基于能量的选择方法 |
| 6.3.2 基于奇异值分解的方法 |
| 6.3.3 相关分析法 |
| 6.3.4 基于K-means聚类分析的方法 |
| 6.4 基于改进K-means聚类的路网交通流预测 |
| 6.4.1 改进的K-means聚类方法 |
| 6.4.2 基于数据压缩的路网交通流预测步骤 |
| 6.5 多路段(断面)实验结果及分析 |
| 6.5.1 多路段交通流数据聚类分析 |
| 6.5.2 预测结果及分析 |
| 6.6 路网实验结果及分析 |
| 6.6.1 路网交通流数据聚类分析 |
| 6.6.2 预测结果及分析 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）城市道路短时交通流预测方法研究与应用（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 |
| 1.3 主要工作 |
| 1.4 章节安排 |
| 第二章 相关工作基础 |
| 2.1 交通流基本概念 |
| 2.2 交通流主要参数 |
| 2.3 交通流数据预处理 |
| 2.4 深度学习介绍 |
| 2.4.1 深度学习基本结构 |
| 2.4.2 循环神经网络理论基础 |
| 2.4.3 卷积神经网络理论基础 |
| 2.4.4 深度学习在交通流预测中的应用 |
| 2.5 本章小结 |
| 第三章 基于改进贝叶斯的短时交通流组合预测模型 |
| 3.1 引言 |
| 3.2 组合预测模型整体架构 |
| 3.3 单项预测模型 |
| 3.3.1 差分自回归移动平均预测模型 |
| 3.3.2 灰色预测模型 |
| 3.3.3 长短期记忆网络预测模型 |
| 3.4 基于改进贝叶斯的组合预测算法 |
| 3.5 实验及结果分析 |
| 3.6 本章小结 |
| 第四章 基于道路时空特征的短时交通流预测模型 |
| 4.1 引言 |
| 4.2 基于道路时空特征的预测模型整体架构 |
| 4.3 核心步骤及训练细节 |
| 4.3.1 趋势预测算法 |
| 4.3.2 残差预测算法 |
| 4.4 实验及结果分析 |
| 4.5 本章小结 |
| 第五章 城市道路短时交通流预测系统设计与实现 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.2.1 系统用例分析 |
| 5.2.2 功能需求分析 |
| 5.2.3 非功能需求分析 |
| 5.3 系统总体设计 |
| 5.4 系统模块设计 |
| 5.4.1 用户模块 |
| 5.4.2 文件上传模块 |
| 5.4.3 预测模块 |
| 5.4.4 可视化模块 |
| 5.4.5 数据库模块 |
| 5.4.6 计算节点模块 |
| 5.5 系统测试 |
| 5.6 系统的实现与展示 |
| 5.6.1 运行环境 |
| 5.6.2 系统展示 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于出行大数据的城市重点区域交通状态识别方法与应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 本章小结 |
| 2 国内外研究现状 |
| 2.1 交通节点特征分析 |
| 2.1.1 道路驶入和驶出节点拥堵特征分析 |
| 2.1.2 路段拥堵特征分析 |
| 2.1.3 交叉口拥堵特征分析 |
| 2.2 交通流数据填补研究 |
| 2.3 交通流量预测研究 |
| 2.4 交通状态评价方法研究 |
| 2.5 TOP-K选择算法研究 |
| 2.6 已有研究的不足 |
| 2.7 本章小结 |
| 3 重点区域交通流数据填补方法研究 |
| 3.1 研究思路 |
| 3.2 基于ND的缺失数据填补方法研究 |
| 3.2.1 ND缺失数据填补模型设计 |
| 3.2.2 基于ND缺失数据填补方法的案例分析 |
| 3.3 交通流量矩阵化网络填补模型研究 |
| 3.3.1 矩阵化网络填补方法设计 |
| 3.3.2 复原子网络设计 |
| 3.3.3 预测子网络设计 |
| 3.3.4 融合网络设计 |
| 3.4 实证研究 |
| 3.4.1 数据集缺失情况描述 |
| 3.4.2 交通网络矩阵化 |
| 3.4.3 缺失数据恢复 |
| 3.5 本章小结 |
| 4 重点区域短时交通流预测研究 |
| 4.1 研究思路 |
| 4.2 重点区域短时交通流预测模型设计研究 |
| 4.2.1 中心模块设计 |
| 4.2.2 独立模块设计 |
| 4.2.3 时序残差网模型设计 |
| 4.3 模型训练方法研究 |
| 4.4 评价指标选取 |
| 4.5 实证研究 |
| 4.6 本章小结 |
| 5 重点区域交通状态识别模型构建研究 |
| 5.1 研究思路 |
| 5.2 学校和医院交通流特征及交通拥堵原因分析 |
| 5.3 基于聚集交通量的路段交通拥堵识别方法可行性分析 |
| 5.3.1 聚集交通量与区段行驶速度的关系分析 |
| 5.3.2 聚集交通量与交通波在区段上的传播分析 |
| 5.3.3 聚集交通量比与路段饱和度的比较分析 |
| 5.3.4 聚集交通量比与路段密度的比较分析 |
| 5.3.5 基于聚集交通量的交通状态评价方法可测性分析 |
| 5.4 路段交通拥堵识别研究 |
| 5.4.1 单条路段交通拥堵识别研究 |
| 5.4.2 关键路段识别研究 |
| 5.5 基于粗糙集的拥堵区间细分研究 |
| 5.5.1 交通状态多级划分 |
| 5.5.2 粗糙集理论模型概述 |
| 5.5.3 基于粗糙集模型的交通拥堵区间细分 |
| 5.6 重点区域交通拥堵识别研究 |
| 5.6.1 不同交通状态聚集交通量比区间阈值划分 |
| 5.6.2 不同交通状态下聚集交通量比聚集里程分布模型 |
| 5.6.3 基于聚集交通量比里程分布的重点区域交通状态评价模型 |
| 5.7 实证研究 |
| 5.8 本章小结 |
| 6 重点区域交通状态信息查询研究 |
| 6.1 研究思路 |
| 6.2 基于分治思想的重点区域DC-TOP-K查询算法研究 |
| 6.2.1 当前排序算法 |
| 6.2.2 串行分治查询算法设计 |
| 6.2.3 并行分治查询算法设计 |
| 6.2.4 基于分治思想的重点区域搜索算法分析 |
| 6.3 基于动态自适应分区的重点区域DC-TOP-K查询算法研究 |
| 6.3.1 动态自适应分区评估函数 |
| 6.3.2 动态自适应分区算法设计 |
| 6.4 实证研究 |
| 6.4.1 动态自适应分区DC-Top-k算法的整体性能测试 |
| 6.4.2 动态自适应分区DC-Top-k算法的扩展性能测试 |
| 6.5 本章小结 |
| 7 重点区域交通状态识别信息应用案例分析 |
| 7.1 基于HIS的重点区域交通拥堵可视化方法 |
| 7.1.1 HIS交换 |
| 7.1.2 彩虹编码和热金属编码 |
| 7.1.3 处理步骤 |
| 7.2 北京市重点区域交通运行信息服务应用方案设计 |
| 7.3 服务实例 |
| 7.4 本章小结 |
| 8 总结与展望 |
| 8.1 主要研究成果 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）基于ARIMA-BP神经网络的船舶交通事故预测（论文提纲范文）
| 0 引 言 |
| 1 理论模型 |
| 1.1 ARIMA模型 |
| 1.2 BP神经网络 |
| 2 两种组合预测方法 |
| 2.1 简单加权组合预测模型 |
| 2.2 残差优化组合预测模型 |
| 2.3 预测结果评价方法 |
| 3 实例验证 |
| 3.1 数据来源 |
| 3.2 数据分析与预处理 |
| 3.3 船舶交通事故的预测 |
| 3.4 模型评价 |
| 4 结 论 |
（10）城市时空数据预测中的深度元学习算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 传统机器学习模型与时空数据建模 |
| 1.3.2 深度学习与时空数据建模 |
| 1.3.3 深度元学习 |
| 1.3.4 城市计算与时空数据建模 |
| 1.4 研究内容和挑战 |
| 1.5 研究方法和技术路线 |
| 1.6 章节安排 |
| 第二章 时空数据预测中的深度学习基础 |
| 2.1 深度神经网络 |
| 2.2 循环神经网络 |
| 2.2.1 门控循环单元 |
| 2.2.2 序列到序列架构 |
| 2.3 图注意力神经网络 |
| 2.4 图卷积神经网络 |
| 第三章 时空相关性的多样性问题研究 |
| 3.1 引言 |
| 3.2 问题定义 |
| 3.3 算法框架 |
| 3.3.1 框架概况 |
| 3.3.2 时空特征学习网络 |
| 3.3.3 基于区域特性的预测网络 |
| 3.3.4 框架训练算法 |
| 3.3.5 框架扩展性分析 |
| 3.3.6 框架复杂度分析 |
| 3.4 实验结果及分析 |
| 3.4.1 实验设置 |
| 3.4.2 模型对比 |
| 3.4.3 超参数实验 |
| 3.4.4 实例分析 |
| 3.5 应用部署 |
| 3.6 本章小结 |
| 第四章 空间信息与多样时空相关性的关联问题研究 |
| 4.1 引言 |
| 4.2 问题定义 |
| 4.3 算法框架 |
| 4.3.1 框架概况 |
| 4.3.2 循环神经网络 |
| 4.3.3 空间元知识学习网络 |
| 4.3.4 基于元学习的图注意力神经网络 |
| 4.3.5 基于元学习的循环神经网络 |
| 4.3.6 框架训练算法 |
| 4.4 实验结果及分析 |
| 4.4.1 实验设置 |
| 4.4.2 模型对比 |
| 4.4.3 元学习模块有效性实验 |
| 4.4.4 超参数实验 |
| 4.4.5 元知识有效性实验 |
| 4.4.6 案例分析 |
| 4.5 参数矩阵分解与参数元学习的关系 |
| 4.6 本章小结 |
| 第五章 时序信息与多样时空相关性的关联问题研究 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 算法框架 |
| 5.3.1 框架概况 |
| 5.3.2 空间元知识学习网络 |
| 5.3.3 基于元学习的图注意力神经网络 + |
| 5.3.4 基于元学习的循环神经网络 + |
| 5.3.5 框架训练算法 |
| 5.4 实验结果及分析 |
| 5.4.1 实验设置 |
| 5.4.2 模型对比 |
| 5.4.3 元学习模块有效性实验 |
| 5.4.4 超参数实验 |
| 5.4.5 收敛性实验 |
| 5.4.6 元知识有效性实验 |
| 5.4.7 案例分析 |
| 5.5 本章小结 |
| 第六章 时空神经网络结构自动设计问题研究 |
| 6.1 引言 |
| 6.2 问题定义 |
| 6.3 算法框架 |
| 6.3.1 框架概况 |
| 6.3.2 预测网络 |
| 6.3.3 空间元知识学习网络 |
| 6.3.4 元学习网络 |
| 6.3.5 搜索算法 |
| 6.4 实验结果及分析 |
| 6.4.1 实验设置 |
| 6.4.2 模型对比 |
| 6.4.3 框架有效性实验 |
| 6.4.4 候选网络结构有效性实验 |
| 6.4.5 算法模块有效性实验 |
| 6.5 本章小结 |
| 全文总结 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
四、ARIMA模型在交通事故预测中的应用（论文参考文献）
- [1]河北省部分地区居民伤害死亡流行病学特征分析及时间序列预测[D]. 寻鲁宁. 华北理工大学, 2021
- [2]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)
- [3]面向城市交通流的数据修复与短时交通流预测方法研究[D]. 张玺君. 兰州理工大学, 2021(01)
- [4]基于组合模型的短时交通流预测方法研究[D]. 王晨辉. 兰州理工大学, 2021(01)
- [5]基于混合神经网络与多维因素的短时交通流预测研究[D]. 陶龙. 兰州理工大学, 2021(01)
- [6]基于图傅里叶变换和深度学习的短时交通流预测方法研究[D]. 罗向龙. 长安大学, 2021(02)
- [7]城市道路短时交通流预测方法研究与应用[D]. 孙云飞. 电子科技大学, 2021(01)
- [8]基于出行大数据的城市重点区域交通状态识别方法与应用研究[D]. 朱杰. 北京交通大学, 2021
- [9]基于ARIMA-BP神经网络的船舶交通事故预测[J]. 张逸飞,付玉慧. 上海海事大学学报, 2020(03)
- [10]城市时空数据预测中的深度元学习算法研究[D]. 潘哲逸. 上海交通大学, 2020(01)