基于逆向传播深度置信网络的公交行驶时间预测研究的开题报告.docx

基于逆向传播深度置信网络的公交行驶时间预测研究的开题报告
一、选题的背景及意义
公交是城市交通中重要的组成部分，公交行驶时间预测在城市交通管理和规划中扮演着重要的角色。目前，公交行驶时间预测算法的研究主要包括传统的时间序列分析方法、机器学习方法和深度学习方法。在深度学习方法中，深度置信网络和逆向传播算法是常用的神经网络算法之一，已经在时间序列预测、图像识别、自然语言处理等方面取得了很好的效果。
公交行驶时间预测的准确性很大程度上影响了出行人的出行效率与体验。传统的时间序列分析方法大多是基于历史数据进行预测，缺乏对复杂非线性关系的处理能力；机器学习方法虽能处理更复杂的数据，但是通常需要大量的数据进行训练。深度学习方法则可以在处理非线性关系和训练数据样本不足情况下也能取得较好的预测结果。因此，基于深度置信网络和逆向传播算法的公交行驶时间预测具有很大的研究意义和应用前景。
二、研究的内容和方法
本研究将基于逆向传播深度置信网络算法，对公交行驶时间进行预测，并利用公交实时数据进行测试和验证。具体步骤如下：
1.数据采集和预处理，包括公交实时数据采集、数据清洗、特征提取等。
2.构建逆向传播深度置信网络模型，并对网络结构、输入层、隐藏层和输出层等进行设计和优化。
3.使用训练集数据对模型进行训练，并使用交叉验证法评估模型的性能。
4.使用测试集数据对模型进行测试，并通过实时数据进行验证。
5.进行对比实验，比较深度置信网络和其他预测方法的预测效果。
三、预期的成果及意义
预期的成果是基于逆向传播深度置信网络的公交行驶时间预测模型，该模型将在实时数据中进行测试和验证，验证结果将在各方面显示该模型与其他预测方法的优越性。
意义：
1.增强公交行驶时间的预测准确度，优化城市公共交通体系，提升公众的出行体验和效率。
2.推动深度学习在城市交通领域的应用，推动城市智能化和数字化发展。
3.提供公交行驶时间预测方法，为城市交通管理和规划提供有益参考。
四、研究进度安排
第一阶段（1个月）：搜集和整理公交实时数据，分析数据的特征和规律。
第二阶段（2个月）：学习逆向传播深度置信网络算法，对网络结构和参数进行设计和优化。
第三阶段（2个月）：使用训练集数据对模型进行训练，并使用交叉验证法评估模型的性能。
第四阶段（2个月）：使用测试集数据对模型进行测试，并通过实时数据进行验证，比较深度置信网络和其他预测方法的预测效果。
第五阶段（1个月）：编写研究报告和论文，并进行答辩。
五、参考文献
1.Hachem,S.,&Karray,F.O.(2018).Deeplearningforbusarrivaltimepredictionusingheterogeneousurbandata.IEEETransactionsonIntelligentTransportationSystems,19(7),2202-2214.
2.Wang,S.,Qi,Z.,Hou,Y.,Li,L.,&Liu,Y.(2018).TravelTimePredictionBasedonNeuralNetworks:ANewMethodologyandCaseStudyinBeijing,China.Journalofadvancedtransportation,2018.
3.Zhang,C.,Li,B.,Tu,Y.,&Ke,J.(2019).Deeplearningforreal-timebustraveltimepredictionwithrobustnesstesting.TransportationResearchRecord,(2673),20-33.