基於CNN與LSTM機器學習模型之交通事件預測與分析：以桃園市為例;Traffics Event Forecast and Analysis Based on CNN and LSTM Machine Learning Models: A Case Study of Taoyuan City

NCU Institutional Repository > 資訊電機學院 > 通訊工程研究所 > 博碩士論文 > Item 987654321/83855

請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/83855

題名:	基於CNN與LSTM機器學習模型之交通事件預測與分析：以桃園市為例;Traffics Event Forecast and Analysis Based on CNN and LSTM Machine Learning Models: A Case Study of Taoyuan City
作者:	黃郁凱;Huang, Yu-Kai
貢獻者:	通訊工程學系
關鍵詞:	機器學習演算法;時空資料;交通事件預警;Machine Learning;Spatio-Temporal Data;Traffic Event Prediction
日期:	2020-08-18
上傳時間:	2020-09-02 17:15:31 (UTC+8)
出版者:	國立中央大學
摘要:	城市交通日漸繁忙，事故發生機率亦隨之上升，過去有許多研究應用機器學習演算法，預測未來交通事故熱區、車流量或平均車速，然而多數的研究著重於如何提出新穎的機器學習架構。本論文的研究是以桃園市部分行政區為實驗場域，於各行政區取道路較密集的區域，每區域約16 平方公里，利用經典機器學習模型：CNN 與LSTM 組合訓練模型，分析在何種CNN-LSTM 層數組合下，能夠以較低的訓練成本，得到準確率較高的模型組合。;Urban traffic is getting busy, and the probability of accidents is also rising. In the past, many studies applied machine learning algorithms to predict hot spots of traffic accidents, traffic flow, or average speed. However, most of the research focused on how to propose novel machine learning architectures. The study in this thesis uses some regions of Taoyuan City as experimental fields. By taking dense road areas in these regions, each area is about 16 square kilometers. This study uses the classic machine learning model: Convolution Neural Network(CNN) and Long Short-Term Memory(LSTM). In sensitivity to varied number of CNN-LSTM layers, this study examines the performance of higher accuracy and lower training cost.
顯示於類別:	[通訊工程研究所] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	121	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....