基于神经网络的交通流量预测算法的研究与实现.pptxVIP

基于神经网络的交通流量预测算法的研究与实现

目录-CONTENTS01研究背景及意义02相关理论基础03交通流量预测结果及分析04总结与展望

01研究背景及意义

01研究背景及意义随着社会的发展与人民生活质量的提升，城市人口和拥有的汽车数量每一年都在增长。右图显示我国2012年至2022年机动车和汽车拥有量。汽车数量的急速增加，给城市交通带来了压力，交通拥堵首当其冲。交通拥堵对于城市的发展有着许多负面影响，比如延长市民通勤时间、降低城市的经济发展等，同时也导致了交通事故频发和城市空气质量下降，从而给城市带来经济的损失。研究背景：

01研究背景及意义准确的交通流量预测为交通决策提供了有力的依据，它在交通安全以及提高交通效率上有着重要的意义。最优的交通流量预测模型及算法，帮助提前获取交通状况，提高交通出行效率；另一方面也是保证交通安全，减轻交通拥堵。研究意义：

02相关理论基础

02相关理论基础交通流量预测流程确定预测的目的START收集整理资料数据资料分析选择预测方法建立与预测模型分析预测误差评价预测效果改进预测模型FINISHStep1Step2Step3Step4Step4Step5

02相关理论基础交通流量预测方法交通流量预测是一种交通数据处理的方式，几十年来，世界各国的专家和学者利用各类方法对交通流量预测进行研究，总结下来大致分为四类模型：基于非线性理论的预测模型、基于线性统计的预测模型、交通仿真模型和基于智能理论的预测模型。具体如右图所示。

02相关理论基础RNN神经网络循环神经网络是一种特殊的神经网络结构，它根据“人的认知是基于以往的经验和记忆”这一观点提出。它与DNN、CNN不同的是：RNN不仅考虑前一时刻的输入，而且赋予了网络对前面的内容的一种“记忆”功能。简单的RNN神经网络它是由输入层、一个隐藏层和一个输出层组成。如右图所示。

02相关理论基础LSTM神经网络长短期记忆神经网络（LSTM）是一种特殊的循环神经网络（RNN）。相较于RNN来说，LSTM加入了一个储存数据的信息存储记忆单元，该单元可以保存长期数据状态，这样梯度就不会引起梯度消失或者爆炸。每个存储单元都有遗忘门（ForgetGate），输入门（InputGate），输出门（OutputGate）分别对其进行控制，用来保持并实时调整存储单元的状态。LSTM神经网络结构如右图所示。

02相关理论基础GRU神经网络GRU门控循环单元，是循环网络（RNN）的变种，与LSTM类似通过门控单元解决RNN中不能长期记忆和反向传播中的梯度等问题。与LSTM相比，GRU内部的网络架构比较简单。GRU网络内部包含两个门，更新门（updategate）和重制门（resetgate）。重置门决定了如何将新的输入信息与前面的记忆相结合，更新门则是定义了前面记忆保存到当前时间步的量。GRU神经网络结构图如右图所示。

03交通流量预测结果及分析

03基于LSTM神经网络的交通流量预测超参数优化时间间隔隐藏神经元个数学习率网络层数迭代次数

03基于LSTM神经网络的交通流量预测预测结果及分析通过上一节对超参数进行调优，得到了每个参数的最优值，在每个参数最优的情况下，所构建的LSTM模型效果最佳。参数数值时间间隔6隐藏神经元个数36学习率0.005网络层数2迭代次数110LSTM神经网络模型预测结果以MAPE作为评价指标，计算LSTM神经网络预测模型的预测值与实际值的平均绝对百分比误差。得到最终的平均绝对百分比误差为7.29001%。

03基于GRU神经网络的交通流量预测通过对相关参数进行调优，不断地进行训练，得出最优的参数。主要对迭代次数调整，参数主要有学习率LR取0.01到0.05之间做五次实验取最优值，训练次数400次，Hiddensize=128等，程序运行得到的最优结果如下图所示。上图显示，在其它参数确定的情况下，学习率为0.01时误差最小，为10.27%。因此，GRU神经网络预测模型预测交通流量最优的平均绝对百分比误差为10.27%。

03基于RNN神经网络的交通流量预测对batch_size、time_span、Epoch等参数进行多次调试，设置batch_size=64，time_span=8，Epoch=30、32、34、36，程序运行得到的最优结果如右图所示。上图显示，在其它参数确定的情况下，Epoch为36时误差最小，为11.01%。因此，RNN神经网络预测模型预测交通流量最优的平均绝对百分比误差为11.01%。

03预测结果对比分析模型平均绝对误差/%RN