全文总字数：3570字
1. 毕业设计（论文）主要内容：
交通流量预测对于智能交通系统发展、智慧城市建设或基于位置的服务等具有重要意义。在大数据的环境下，时间、空间、外部因素等都可能对交通流量预测产生影响。例如，时间方面，城市区域交通的流量受或近或远的时间影响；空间方面，一个区域的流量可能受周围区域的影响；外部因素方面，假日事件、风速或者天气等也会对交通流量造成影响。同时，现实中往往只有有限的传感器采集的数据，通信故障、传感器故障或者传感器没有部署等都会导致数据缺失。本课题拟分析大数据环境下交通流量预测的相关因素，建立模型对交通流量进行预测。通过对该课题的研究，进行一次综合运用所学理论和技能的训练，进一步提高分析问题和解决问题的能力。
具体内容包括：1. 了解机器学习、深度学习及交通流量预测的相关知识；
2. 对天气、工作日/周末、轨迹数据等进行预处理；
2. 毕业设计（论文）主要任务及要求
1.查阅15篇相关文献（不少于3篇外文文献），并每篇书写200—300字文献摘要（装订成册，带封面）；2.认真填写周记，完成至少1500字开题报告（“设计的目的及意义”至少800汉字；“基本内容和技术方案”至少400汉字；进度安排应尽可能详细；教指导教师意见应包含：学生的调研是否充分？基本内容和技术方案是否已明确？是否已经具备开始设计（论文）的条件？能否达到预期的目标？是否同意进入设计（论文）阶段？）；3.完成5000中文字以上的相关英文专业文献翻译，并装订成册（中英文一起，带封面）；4.完成系统的编码与调试；5.完成10000字以上的毕业论文；6.进行论文答辩。
3. 毕业设计（论文）完成任务的计划与安排
(1)2020/1/13—2019/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；(2)2020/3/1—2019/4/30：系统架构、程序设计与开发、系统测试与完善；(3)2020/5/1—2019/5/25：撰写及修改毕业论文；(4)2020/5/26—2019/6/5：准备答辩。
4. 主要参考文献
[1] Zhang J, Zheng Y, Qi D. Deep spatio-temporal residual networks for citywide crowd flows prediction [C]. Thirty-First AAAI Conference on Artificial Intelligence, 2017: 1655-1661.[2] Song X, Kanasugi H, Shibasaki R. Deeptransport: Prediction and simulation of human mobility and transportation mode at a citywide level [C]. International Joint Conference on Artificial Intelligence, 2016: 2618-2624.[3] Fan Z, Song X, Adachi R. Citymomentum: An online approach for crowd behavior prediction at a citywide level [C]. ACM International Joint Conference on Pervasive and Ubiquitous Computing, 2015: 559-569.[4] Song X, Zhang Q, Sekimoto Y, et al. Prediction of human emergency behavior and their mobility following large-scale disaster [C]. Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, 2014: 5-14.[5] Silva R, Kang S M, Airoldi E M. Predicting traffic volumes and estimating the effects of shocks in massive transportation systems [J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(18): 5643-5648.[6] Xu Y, Kong Q J, Klette R, et al. Accurate and interpretable bayesian mars for traffic flow prediction [J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(6): 2457-2469.[7] Hoang M X, Zheng Y, Singh A K. Fccf: Forecasting citywide crowd flows based on big data [C]. Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2016: 1-10.[8] Li Y, Zheng Y, Zhang H, et al. Traffic prediction in a bike-sharing system [C]. Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015: 1-10.[9] Huang W, Song G, Hong H, et al. Deep architecture for traffic flow prediction: Deep belief networks with multitask learning [J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(5): 2191-2201. [43][10] Yao H, Wu F, Ke J, et al. Deep multi-view spatial-temporal network for taxi demand prediction [C]. Thirty-Second AAAI Conference on Artificial Intelligence, 2018: 2588-2595.[11] Lv Y, Duan Y, Kang W, et al. Traffic flow prediction with big data: A deep learning approach [J]. IEEE Transactions on Intelligent Transportation Systems,2015, 16(2): 865-873.[12] Feature Fusion Models for Deep Auto encoders: Application to Traffic Flow Prediction.Applied Artificial Intelligence 33(13): 1179-1198 (2019)[13] Hong Liu,Yi Lin,Zhengmao Chen,Dongyue Guo,Jianwei Zhang,Hailong Jing:Research on the Air Traffic Flow Prediction Using a Deep Learning Approach.IEEEAccess 7: 148019-148030 (2019).
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
