原文传递
顾及复杂时空依赖的交通预测方法及时空依赖可视化分析
| 论文题名： | 顾及复杂时空依赖的交通预测方法及时空依赖可视化分析 |
| 关键词： | 交通流预测;时空依赖;图卷积网络;序列到序列模型;模型可解释性;可视化;神经网络 |
| 摘要： | 随着城市化进程的不断推进和居民生活水平的提升，城市机动车保有量激增，而现有的交通基础设施无法满足快速增长的汽车数量，从而导致交通拥堵问题日益严重。随着感知、通信及智能计算技术的快速发展，如何从海量、高维、多样化的交通时空数据中挖掘潜在的交通状态变化模式和特征，对未来交通状态进行预测并为交通管理部门和公众出行提供高效准确的信息服务，进而避免或缓解交通拥堵的状况，是智能交通领域面临的重要挑战。 本文对交通流预测的国内外研究现状和相关知识进行了整理与分析，基于交通流数据的复杂特性以及现有预测方法的不足，从数据驱动的角度，结合交通流理论和时空数据预测理论，采用先进的深度学习方法，提出了顾及复杂时空依赖的道路网络交通流多步预测模型，并在“深度学习模型可解释性”的议题下实现了时空依赖动态可视化系统，以对预测模型学习到的时空依赖进行分析和解释。具体工作和贡献如下： 第一，提出一种顾及复杂时空依赖的交通流多步预测模型STSeq2Seq。在空间依赖建模方面，提出模式感知邻接矩阵，并结合图卷积神经网络来提取路网交通流的动态非局部空间关联；在时间依赖建模方面，提出“卷积编码器+循环解码器”的模型结构，来捕捉历史和未来交通序列间的动态时间依赖。最后融合各模型组件，实现复杂时空依赖的建模和对未来交通流的精准预测。 第二，在两个公开数据集上对提出的方法进行了一系列的验证实验。不仅将本文方法与其他8种基线方法作对比并证明本文算法在预测性能上的优越性，还通过超参数影响实验及模型组件消融实验来验证了本文算法在时空依赖建模方面的有效性。最后通过算法运行时间的对比实验说明本文算法具有较高的训练和推理效率。 第三，针对本文提出的算法设计并实现了时空依赖动态可视化系统。从模型可解释性和时空依赖分析的实际需求出发，实现了基于Web的可视化系统，对系统功能进行测试，并就可视化结果进行案例分析以验证本文模型的可解释性并为算法的实际应用奠定基础。研究结果表明，本文提出的STSeq2Seq模型有效建模了复杂时空依赖，实现了高精度的路网交通流多步预测，并具有良好的可解释性，具有重要的理论和应用价值。 |
| 作者： | 王星磊 |
| 专业： | 地图制图学与地理信息工程 |
| 导师： | 吴华意;关雪峰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
