详情

原文传递基于深度学习的精细化出行需求预测

论文题名：	基于深度学习的精细化出行需求预测
关键词：	交通网络;出行需求;流量预测;出租车轨迹;时空数据;深度学习
摘要：	交通网络就像是一个城市的“血管”，在城市的进步发展中起着非常重要的作用。伴随着城市的快速发展，交通网络越来越密集，一方面促进了城市的进一步发展；另一方面“血管堵塞”问题也逐渐浮现，影响着城市的健康，成为亟待解决的重点问题。对交通数据的研究可以揭示交通流动的内在规律，对其进行开发利用对整个城市的公共安全、城市规划与发展以及人们的出行规划等都具有重要意义，可以提供非常有效的数据支持，更好地推动智慧城市的建设。交通流量数据一般为时空数据，可以反映人们日常出行需求的出租车流量数据便是其中之一，本文面向这类数据内部存在的时间依赖性和空间关联性，研究并建立了相应的神经网络预测方法，旨在学习时空序列背后的演变规律，通过对城市各个区域未来的出租车流入量和流出量预测，来反映用户群体的未来流动趋势和出行需求。本文的研究内容主要包括以下几个方面：　　1、为了更好地理解用户出行行为与流量分布趋势，本文从原始出租车导航定位数据来挖掘不同区域的属性和对应的用户出行特点。首先对原始数据进行清洗排序等预处理操作，然后对整个城市区域进行了精细化网格划分，并就人们的出行需求预测问题对区域流出量和流入量进行了明确的定义，并对各个区域的历史出租车流量数据进行了统计，分析了不同区域间用户在时间和空间上出行分布的差异。　　2、由于精细化的网格区域流量具备类似图片的格点数据特征，因此精细化出行需求预测，即精细粒度的区域出入流量预测问题，也可以看作是一个将低信息熵数据映射到高信息熵数据的映射问题，即流量超分辨率问题，它与图像超分辨率问题具有相同的特质，因此考虑参考图像超分辨率技术来解决流量超分辨率问题，并利用三种不同的流量超分辨率预测模型进行了仿真预测分析；　　3、出于对所研究数据的时序趋势性的考虑，本文首先构建了基于长短期记忆网络的流量预测模型。此外，考虑到时空序列预测任务中短期与长期时空特征的平衡问题，因此分别从时间序列的随机性和周期性出发，将输入数据按照不同的时间步划分，其一是三维两步错位预测法，其二是基于短时、中时、长时的多步预测法，后者适用于存在固有动力学模式但趋势信息相对复杂的季节性时空数据，例如，交通流量序列等；长短期记忆网络虽然可以很好地捕捉区域流量数据的时间特征，但作为时空数据，它的空间信息与空间相关性也同样重要不可忽视。本文在前面提出的基础神经网络结构的基础上，出于对时空相关性统一建模中的层次化深度网络特征问题的考虑，研究了基于循环神经网络的记忆状态跨层转移方法，并建立了传递式循环卷积神经网络，实现了时间记忆状态与多层空间特征在循环网络节点单元内部的深度融合，进一步提高了区域流量预测的准确率；又考虑到各个区域之间输入和输出流量也会互相影响，但是当将其作为双通道矩阵数据直接送入神经网络时，虽然网络能自发地学习二者之间的相关性，具体的学习机制与学习率却无法控制，因而引入了注意力机制，将流入和流出量拆分为两部分输入，使得神经网络可以学习到区域间流入量与流出量这二者之间的侧重关系。　　本文通过建立深度神经网络流量预测模型，为解决人们出行需求预测问题，对城市各个区域的未来时刻的出租车出入流量进行了预测。对人们出行需求的研究，有助于掌握人类交通流的分布趋势与流动规律，如果能对城市任意区域未来的人们出行流量进行提前感知和预测，对加强城市公共安全和提高城市交通效率等都具有重要作用。
作者：	王梦园
专业：	城市计算
导师：	王斌
授予学位：	硕士
授予学位单位：	上海师范大学
学位年度：	2021