论文部分内容阅读
本文从宏观视角对城市道路交通的日均速度进行了预测推演研究。研究对象是集计的基于网约车大数据的城市宏观行程速度,该数据是北京市六环内的城市道路日均速度,宏观意义上具有较高的研究价值。
目前在交通流预测领域有很多研究方法,但是综合来看,研究的重点都是局部的交通状态,缺乏对交通流宏观状态的研究。本文以城市宏观行程速度为研究基础,将其看作一个时间序列并进行分解,发现数据中存在着有趣的季节性特征和趋势特征,基于此推演分析出了影响城市宏观行程速度的外部因素。随后,本文引入了时间序列模型的不同算法来建立不同的宏观预测模型。一方面,在时间序列模型的经典算法中,本文详细地研究了自回归移动平均模型(Auto-Regressive Intergrated Moving Average,ARIMA),为提高模型的信息捕捉能力,创造性地将时间序列分解过程与动态回归模型相结合,提出了STL-ARIMAX模型,该模型能够在捕捉数据中更多信息的同时,提高预测精度。另一方面,在时间序列模型的神经网络算法中,本文使用了深度学习中的长短时记忆神经网络模型(Long Short-Term Memory Network,LSTM)来对宏观速度进行建模和预测推演,其可以将外部影响因素作为额外的特征维度来输入,因此LSTM模型具有较高的灵活性,预测效果也优于时间序列经典预测方法。
本文以城市宏观行程速度为研究基础,对数据本身特点和其预测模型都进行了详细的研究,还对经典算法的流程和神经网络算法的输入分别进行了改进,更好地把握了宏观交通流速度的变化规律,以及速度受多种外部因素影响而产生的波动。可为相关交通政策的制定提供科学依据,同时为未来城市交通宏观特征的相关研究提供启发和参考。
目前在交通流预测领域有很多研究方法,但是综合来看,研究的重点都是局部的交通状态,缺乏对交通流宏观状态的研究。本文以城市宏观行程速度为研究基础,将其看作一个时间序列并进行分解,发现数据中存在着有趣的季节性特征和趋势特征,基于此推演分析出了影响城市宏观行程速度的外部因素。随后,本文引入了时间序列模型的不同算法来建立不同的宏观预测模型。一方面,在时间序列模型的经典算法中,本文详细地研究了自回归移动平均模型(Auto-Regressive Intergrated Moving Average,ARIMA),为提高模型的信息捕捉能力,创造性地将时间序列分解过程与动态回归模型相结合,提出了STL-ARIMAX模型,该模型能够在捕捉数据中更多信息的同时,提高预测精度。另一方面,在时间序列模型的神经网络算法中,本文使用了深度学习中的长短时记忆神经网络模型(Long Short-Term Memory Network,LSTM)来对宏观速度进行建模和预测推演,其可以将外部影响因素作为额外的特征维度来输入,因此LSTM模型具有较高的灵活性,预测效果也优于时间序列经典预测方法。
本文以城市宏观行程速度为研究基础,对数据本身特点和其预测模型都进行了详细的研究,还对经典算法的流程和神经网络算法的输入分别进行了改进,更好地把握了宏观交通流速度的变化规律,以及速度受多种外部因素影响而产生的波动。可为相关交通政策的制定提供科学依据,同时为未来城市交通宏观特征的相关研究提供启发和参考。