原文传递
基于图卷积神经网络的旅行时间预测方法研究
| 论文题名： | 基于图卷积神经网络的旅行时间预测方法研究 |
| 关键词： | 交通控制;旅行时间;预测模型;图卷积神经网络;频谱滤波;半监督学习 |
| 摘要： | 准确预测出行时间不论对交通管理者还是对出行个人都有着重要的意义，尤其在交通拥堵日益严重的今天，出行时间不仅是交通运营与管理的关键问题，也是个人出行计划的核心问题。全方位、动态预测的预测路段出行时间不仅可以为交通的控制与管理提供基本支持，并且还可以在很大水平上减缓交通拥挤。 现有的旅行时间预测方法要么不能有效提取旅行时间的空间特征导致预测精度较低、要么无法在大规模网络上进行扩展。为了有效解决以上问题，本文提出了基于图卷积神经网络（Convolutional Neural Network for Graph，GCN）的旅行时间预测方法，本方法通过对路网结构进行频谱滤波使得模型可以有效提取旅行时间的空间特征，从而很大程度上提高预测准确率;并且使用半监督学习的方法使得模型具有很好的扩展性，从而可以在大规模的网络中进行预测。 首先，为了使预测模型能够有效提取旅行时间的空间特征，本研究根据卷积神经网络(CNN)结构对路网拓扑结构进行了初步转换，并将转换后不规则的数据结构通过频谱滤波转换为规则的数据结构，从而得到一个可以提取旅行时间的空间特征的非参数化滤波器。原有通过频谱滤波得到非参数化滤波器的时间复杂度为O(n2)，通过多项式快速滤波使得滤波器的时间复杂度降低为0(n)，从而建立了一个参数化的基于图卷积神经网络的旅行时间预测模型。 其次，根据数据特征设计了用于旅行时间预测的图卷积神经网络，经过对网络预测结果分析发现，对于l0km的TRIP预测的平均绝对误差为2min，这说明模型有着很好的准确率。将模型预测效果与其他算法进行对比，发现本模型准确率相对其他算法有了很大的提升，这进一步证明了模型建立的有效性和必要性。 最后，本研究使用半监督学习的方式对图卷积神经网络进行了优化，并对优化后的模型进行了误差分析和扩展性分析。研究发现当带标签路段的比例从100％降低到10％时，TRIP旅行时间的绝对误差仅仅在原来基础提升了25％，表明模型有着很好的扩展性。 可见，论文中提出的基于图卷积神经网络的路段旅行时间预测方法具有一定的现实意义，对个人出行以及交通管理都有较好的参考价值。 |
| 作者： | 虎玉鑫 |
| 专业： | 控制科学与工程 |
| 导师： | 王子洋 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
