一、Traffic Flow Prediction with Big Data:A deep Learning Approach

-摘要：淺層交通模型已經(jīng)不能滿足真實世界的應(yīng)用，提出了一種同時考慮時間和空間內(nèi)在聯(lián)系的基于深度學(xué)習(xí)的預(yù)測方法。堆疊自編碼器模型采用貪婪分層的方式，學(xué)習(xí)產(chǎn)生的交通流量特點。實驗證明本文提出的方法在交通流量預(yù)測方面有很高的性能。

-1.介紹：交通流量預(yù)測主要依賴于歷史數(shù)據(jù)和來自各種傳感器的實時數(shù)據(jù)（感應(yīng)渦流、雷達、相機、GPS、社交媒體）。現(xiàn)有的交通流量預(yù)測系統(tǒng)和模型都是采用淺層交通模型，預(yù)測效果差。
?? ?深度學(xué)習(xí)是機器學(xué)習(xí)的一種方法，現(xiàn)在已經(jīng)被成功應(yīng)用到分類任務(wù)、自然語言處理、維數(shù)約簡、目標檢測、運動建模方向等等。
?? ?深度學(xué)習(xí)算法不用先驗知識就能代表交通流量的特點，并且在流量預(yù)測方面性能很好。

-2.文獻綜述：早在1970年，自回歸綜合移動平均 (ARIMA) 模型用于預(yù)測短期高速公路交通流量 。之前的預(yù)測方法大致可以被分為3類：參數(shù)化方法、非參數(shù)化方法以及模擬。參數(shù)化方法可以分為時間序列方法，卡爾曼濾波方法等。非參數(shù)化方法包括K最鄰近方法（k-NN）、人工神經(jīng)網(wǎng)絡(luò)（ANNs）等。模擬方法則使用交通模擬工具預(yù)測交通流量。
?? ?現(xiàn)有的一些ARIMA方法的應(yīng)用及改進
?? ?現(xiàn)有文獻中的一些其他的預(yù)測交通流量的方法
?? ?現(xiàn)有文獻中提出的一些整合方法預(yù)測交通流量
?? ?總結(jié)：很難說現(xiàn)有的某個方法在任何方面都優(yōu)于其他方法。一個原因是所提出的模型是用少量單獨的特定交通數(shù)據(jù)開發(fā)的，交通流預(yù)測方法的準確性取決于嵌入在收集的時空交通數(shù)據(jù)中的交通流特征

?

-3.方法論
?? ?A自編碼器：自編碼器是一個試圖重現(xiàn)其輸入的神經(jīng)網(wǎng)絡(luò)，即目標輸出就是模型的輸入。自編碼器的一個問題就是如果隱藏層的大小與輸入層相同或大于輸入層，則這種方法可能會學(xué)習(xí)恒等函數(shù)。如果自編碼器的輸入層比隱藏層多，就沒有問題了。
?? ?B稀疏自編碼：SAE模型是通過將下層自動編碼器的輸出作為當前層的輸入，通過堆疊自動編碼器形成深度網(wǎng)絡(luò)來創(chuàng)建的。得到第一個隱藏層后將第k個隱藏層的輸出作為第（k+1）個隱藏層的輸入。多個自編碼器可以分層堆疊。
?? ??? ?頂層的標準預(yù)測器用的是邏輯回歸層
?? ?C訓(xùn)練算法：使用貪婪逐層無監(jiān)督學(xué)習(xí)算法的關(guān)鍵在于以自底向上的方式逐層預(yù)訓(xùn)練深度網(wǎng)絡(luò)。預(yù)訓(xùn)練階段之后使用BP進行微調(diào)，自上而下的調(diào)整模型參數(shù)。
?? ??? ?訓(xùn)練算法具體步驟

?

-4.實驗：數(shù)據(jù)來自Caltrans Performance Measurement System (PeMS)數(shù)據(jù)庫，交通數(shù)據(jù)每30s從15000個單獨的探測器收集一次，探測器在全州范圍內(nèi)部署在加利福尼亞告訴公路系統(tǒng)中。
?? ?a.數(shù)據(jù)集：前兩個月的數(shù)據(jù)作為訓(xùn)練集，選取剩余一個月的數(shù)據(jù)作為測試集。
?? ?b.性能指標：平均絕對誤差（MAE）、平均相對誤差（MRE）、RMS誤差（）
?? ?c.確定SAE模型的結(jié)構(gòu)：確定輸入層的大小，隱藏層的數(shù)量，以及每個隱藏層的隱藏單元的數(shù)量。
?? ??? ?空間相關(guān)性：使用從所有高速公路收集的數(shù)據(jù)作為輸入，可以從交通網(wǎng)絡(luò)的角度構(gòu)建模型。
?? ??? ?時間相關(guān)性：為了預(yù)測時間間隔t的交通流，我們應(yīng)該使用之前時間間隔的交通流數(shù)據(jù)。
?? ??? ?本文提出的模型來預(yù)測15分鐘交通流量、30分鐘交通流量、45分鐘交通流量和60分鐘交通流量
?? ??? ?15分鐘交通流預(yù)測，三個隱藏層構(gòu)成，每個隱藏層的隱藏單元數(shù)為（400，400，400）；30分鐘預(yù)測，三個隱藏層構(gòu)成，每個隱藏層隱藏單元數(shù)（200，200，200）；45分鐘預(yù)測，兩個隱藏層；60分鐘預(yù)測四個隱藏層，每個隱藏層單元（300，300，300，300）
?? ?d.結(jié)果：在重、中等級的交通流量下預(yù)測效果較好，在低等級交通流量下預(yù)測效果不是很好
?? ??? ?將提出的SAE模型與隨機游走（RW）預(yù)測方法、支持向量機（SVM）方法和徑向基函數(shù)（RBF）NN模型進行了性能比較。在這四種競爭方法中，RW 方法是一個簡單的基線，可以將未來的交通量預(yù)測為等于當前交通流量 (Xt+1 = Xt )，NN 方法在交通流量預(yù)測方面具有良好的性能，如第 II部分。SVM方法是一種比較先進的預(yù)測模型。
?? ??? ?只使用了交通流量數(shù)據(jù)作為輸入，而沒有考慮人工工程因素，例如天氣、事故等與交通流量有關(guān)的參數(shù)。。
?? ??? ?通過圖表展示對比其他方法的結(jié)果，證明SAE的預(yù)測比較準確。
-5.結(jié)論：總結(jié)與展望

二、基于大數(shù)據(jù)新能源發(fā)電預(yù)測的電力系統(tǒng)調(diào)度方法

-摘要：在大數(shù)據(jù)分析預(yù)測基礎(chǔ)上，提出提前15分鐘電網(wǎng)調(diào)度方法。
?? ?首先數(shù)據(jù)分析構(gòu)建模型；其次預(yù)測風(fēng)電、光伏調(diào)度值，最后得出新能源電源負荷配比

-1.引言：目前大數(shù)據(jù)在電力系統(tǒng)中的應(yīng)用體現(xiàn)在：用戶與電網(wǎng)互動、電網(wǎng)設(shè)備在全區(qū)域內(nèi)的覆蓋、分布式電源出力預(yù)測及儲能設(shè)備的選址。

-2.新能源大數(shù)據(jù)分析

-3.基于新能源發(fā)電預(yù)測的調(diào)度方法
?? ?人工神經(jīng)網(wǎng)絡(luò)，應(yīng)用于信號處理、模式識別以及負荷預(yù)測等領(lǐng)域。
?? ??? ?網(wǎng)絡(luò)結(jié)構(gòu)分為：前饋網(wǎng)絡(luò)、有反饋的前饋網(wǎng)絡(luò)、前饋內(nèi)層互聯(lián)網(wǎng)絡(luò)、反饋型全互聯(lián)網(wǎng)絡(luò)和反饋型局部鏈接網(wǎng)絡(luò)。
?? ?建模過程
?? ??? ?（1）建模數(shù)據(jù)歸一化處理：將有量綱的量轉(zhuǎn)換為無量綱的量
?? ??? ?（2）網(wǎng)絡(luò)隱層結(jié)構(gòu)確定：三層BP神經(jīng)網(wǎng)絡(luò)中單隱層的網(wǎng)絡(luò)結(jié)構(gòu)
?? ??? ?（3）輸出層神經(jīng)元個數(shù)確定：神經(jīng)元數(shù)量與網(wǎng)絡(luò)訓(xùn)練的精度和計算機硬件條件成正比。本文選擇輸出層有6個神經(jīng)元。
?? ??? ?（4）建立訓(xùn)練和測試樣本：模型訓(xùn)練和測試樣本容量包括當前時刻及前一時刻的時間序列數(shù)據(jù)。訓(xùn)練和測試目標為為下一時刻的數(shù)據(jù)。
?? ??? ?（5）得出下一時刻電網(wǎng)調(diào)度方案：模型建立后，輸入當前時刻及前一時刻的歷史運行數(shù)據(jù)，得出下一時刻的計劃。
-4.算例分析
?? ??? ?采用平均絕對百分比（MAPE）分析精度

?

?

總結(jié)

以上是生活随笔為你收集整理的深度学习-模型预测（论文笔记）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。