Predviđanje protoka vozila u mreži prometnica

diplomski rad

• Autor: Andrea Stanić
• Mentor: Tomislav Šmuc (mentor)
• Član povjerenstva: Tomislav Šmuc (predsjednik povjerenstva)
• Član povjerenstva: Goran Igaly (član povjerenstva)
• Član povjerenstva: Robert Manger (član povjerenstva)
• Član povjerenstva: Ivica Nakić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Matematički odsjek); Zagreb
• Datum i država obrane: 2018-11-27, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Matematika

Sažetak

U ovom radu je istražen problem predviđanja protoka prometa u mreži prometnica. Složenost procesa koja je iza protoka prometa je iznimno velika i pri izgradnji modela treba voditi računa o mnogo čimbenika koji utječu na promet, a koji su navedeni u prvom poglavlju. U drugom poglavlju je dan teoretski uvod u vremenske nizove te ARMA, ARIMA, SARIMA i STARIMA modele. Za svaki od navedenih modela je opisan neki od postojećih pristupa za modeliranje protoka prometa. Treći dio rada je posvećen dubokom učenju te rekurentnim neuronskim mrežama. Opisana su dva različita pristupa, a svaki od njih koristi prilagođenu verziju rekurentnih neuronskih mreža. Prvi pristup koristi difuzijsku konvolucijsku rekurentnu neuronsku mrežu, a drugi dvosmjernu LSTM neuronsku mrežu. Posljednje poglavlje sadrži primjenu STARIMA modela i jednostavne LSTM neuronske mreže na podacima koji simuliraju protok prometa u Varšavi.

Sažetak (engleski)

This thesis’ emphasis has been on the problem of traffic flow forecasting in the road network. The process behind traffic flow is extremely complex, and when creating a model one should take into account many of the factors affecting traffic flow. The first chapter of the thesis explains those factors. In the second chapter, there is a theoretical introduction to time series and ARMA, ARIMA, SARIMA, and STARIMA models. Some of the existing traffic flow modeling approaches have been described for the above-mentioned models. The third part of the thesis includes an introduction to deep learning and recurrent neural networks. Two different approaches have been described, each of which uses a custom version of recurrent neural networks. The first approach uses a diffusion convolutional recurrent neural network, and the second bidirectional LSTM neural network. The last chapter includes the use of STARMA model and simple LSTM neural networks on data simulating the traffic flow in Warsaw.

• Ključne riječi: predviđanje toka prometa; vremenski nizovi; rekurentne neuronske mreže
• Ključne riječi (engleski): traffic flow forecasting; time series; recurrent neural networks
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:867004
• Studijski program: Naziv: Matematička statistika; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra matematike (mag. math.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2019-06-19 09:50:16