摘要：近年来，随着大城市贸易圈的发展，交通问题逐步增多。最严重的问题之一就是交通拥堵，这造成了公共安全和浪费时间的隐患，而解决交通拥堵的途径之一就是发展智能交通运输系统。短时交通量预测是交通控制与诱导的基础，是智能交通系统的重要研究内容之一。随着交通量预测相关研究的不断推进，国内外研究人员已经提出了大量短时交通量预测方法，以解决实际问题。

本文以江海大道北大街交叉路口的数据为例，以GRU模型为基础，提出一种基于改进灰狼算法(DGWO)的短时交通量预测模型(DGWO-GRU)。改进灰狼优化算法为协调灰狼算法的全局探索和局部开发能力，给出一种基于双曲正切函数描述的非线性变化收敛因子。通过实验表明，DGWO-GRU模型与LSTM、GRU模型对比，发现DGWO-GRU预测拟合度为97.5%，预测精度最高，稳定性最好，可以满足短时交通流预测的准确性和实时性的要求，能够为短时交通量预测提供一定的参考价值。

本文将神经网络、群体智能算法与可视化技术结合，对基于灰狼优化算法的短时交通量预测系统进行实现，该系统可以为交通系统提供实时有效的信息，使系统可以实现路径诱导，缓解道路拥堵，减少机动车对有害气体的排放等。因此，对短时交通流预测技术的研究具有深远的理论与现实意义。

关键词：短时交通流量预测；深度学习；灰狼优化；数据可视化

目 录

摘 要

ABSTRACT

第一章-绪  论-1

1.1 研究背景-1

1.2 国内外研究现状-1

1.3 研究目标与内容-2

1.3.1 研究目标-2

1.3.2 研究内容-2

1.3.3 技术路线-3

第二章-数据预处理-4

2.1 开发平台与工具-4

2.2 数据来源-4

2.3 数据格式化-5

2.3.1 数据整合-5

2.3.2 数据插入-5

2.3.3 数据改造-5

2.4 监督学习-6

2.5 数据归一化-7

2.6 本章小结-8

第三章-基于神经网络的短时交通量预测模型-9

3.1 RNN-9

3.2 LSTM-9

3.3 GRU-11

3.4 模型仿真-12

3.4.1 LSTM模型-12

3.4.2 GRU模型-14

3.4.3 LSTM与GRU的对比-15

3.6 本章小结-15

第四章-基于灰狼优化的短时交通量预测模型-16

4.1 超参数优化-16

4.2 灰狼优化-17

4.3 改进GWO-22

4.4 模型仿真-23

第五章-可视化系统及实现-24

5.1 系统架构-24

5.2 数据库设计-25

5.2.1 ER图-25

5.2.2 表结构设计-26

5.3 页面展示-29

5.3.1 地图展示-29

5.3.2 真实车流量展示-30

5.3.3 GRU模型-30

5.3.4 LSTM模型-32

5.3.5 DGWO-GRU模型-33

第六章-总结与展望-36

6.1 总结-36

6.2 展望-36

参考文献-37

致  谢-39