详情

原文传递基于BRB和RNN--GCN的交通流预测方法研究与应用

论文题名：	基于BRB和RNN--GCN的交通流预测方法研究与应用
关键词：	交通流预测;置信规则库;循环神经网络;图卷积神经网络
摘要：	交通拥堵现象不仅是国内交通研究的一大难题，也是世界各国急需解决的一个重要课题，各国施行的解决交通拥堵的方案表明，要想从根本上解决交通拥堵问题，首先需要对交通流进行有效预测。已有的预测模型通常存在以下问题：　　(1)大部分模型针对单一的交通流数据，并没有将多个交通流因素进行融合考虑，由于交通场景的复杂性、非线性以及交通流车速和交通流量之间存在紧密联系，因此，只考虑一种交通因素作为数据集来预测交通流，在一定程度上降低了其预测的准确性；(2)当前对于交通流预测的方法研究，只是根据T时刻的交通因素去预测未来某一时间段(T+1)的交通流量，并没有考虑到通过(T?n)和T的历史时间流来预测交通流量，即没有考虑时间相关性，这使得交通流预测的准确性有一定程度上的降低；并且大部分预测模型只是针对相对规则的交通流数据，处理具有规则性的图数据结构，但是由于交通流信息的不规则性，传统的卷积模型不能很好的进行交通预测。　　为解决上述问题，本文进行了相关研究：　　(1)基于置信规则库(belief rule base，BRB)专家系统的信息融合方法，提出了一种新的BRB与RNN-GCN融合的交通流预测模型。BRB系统是由一系列的置信规则组成的，本质上是一种专家系统，能够有效的利用各类信息，建立输入和输出之间的非线性模型。本文将交通流量和交通车速进行数据融合，采用聚类分析的方式分析融合输出结果，获取输出结果的分布特征，以确定系统的规则数、结果评价等级等相关参数，并充分利用样本的已知信息，完成基于析取范式的置信规则库构建，得到一个新的车流速数据集。　　(2)在此基础上，本文将充分考虑交通流信息的时间相关性，解决传统的卷积神经网络不能精确的处理图数据结构的问题，提出了一种将循环神经网络（Recurrent Neural Network,RNN）和图卷积神经网络(Graph Convolutional Network,GCN)模型进行融合的交通流预测模型。该模型结合RNN和GCN算法，利用RNN将历史某一时间段的交通流信息和下一时刻的交通流信息相关联，获取时间序列的相关性，在输入数据与输出数据之间形成映射关系，这样RNN在处理当前信息时，会考虑前面出现的信息。之后将处理好的带有时间相关性的数据进行拓扑图结构，GCN可以在图结构的数据上实现卷积操作，任何数据在赋范空间内都可以建立拓扑关系，用它来捕捉图的结构特征，在拓扑图上有效提取空间特征进行学习。本文通过对比实验验证了该模型的可行性、准确性，以及相比于其他的预测模型，该模型的预测准确性有所提高。　　最后，针对交通拥堵现状不好管控的问题，本文基于交通流预测算法设计了交通流预测系统原型，通过BRB模型对数据集进行数据融合得到新的数据集，运用RNN-GCN算法模型对数据集进行特征提取以及模型训练，通过选取交通预测算法、设计数据参数等方式，来预测某一时间段的某段路的交通拥堵情况。
作者：	朱凯利
专业：	计算机科学与技术
导师：	朱海龙
授予学位：	硕士
授予学位单位：	哈尔滨师范大学
学位年度：	2020
正文语种：	中文