详情

原文传递面向城市交通流的数据修复与短时交通流预测方法研究

论文题名：	面向城市交通流的数据修复与短时交通流预测方法研究
关键词：	交通流预测;智能交通;时间序列;数据修复;深度学习
摘要：	城市交通流具有非线性、自组织性、时空性、随机时变性、周期相似性等特性，致使短时交通流预测技术复杂、难度大。本文以城市交通流特性分析为基础，基于信号分析与处理、神经网络、深度学习、机器学习、数据挖掘、遗传算法等技术，对面向城市交通流的数据修复与短时交通流预测展开了研究，并最终应用到出租车共乘线路推荐方面。因此，如何根据城市交通流的特性选用预测性能良好的模型，完成短时交通流量预测是非常重要的一项研究课题。具体来说，本文的贡献体现在四个方面：　　1．针对城市交通流的周期相似性、非线性、波动性、时空相关性和混沌特性，分析了交通流的动态波动过程。利用数据质量评测标准对数据集总体质量进行了分析，就存在不完整、短期缺失和异常等问题数据集，在现有预处理技术的研究基础上，利用长短期记忆网络(LongShort-TermMemory，LSTM)具有良好的预测精度、适合处理时间序列、消除梯度消失的优势，通过对LSTM网络结构中的记忆门改进的基础上，提出了一种基于R-LSTM的数据预处理修复模型。该模型分析了在不同缺失率、不同采样间隔下的数据修复性能。实验结果表明，该模型的数据修复性能比其他常见的六种参考模型好，它更适合处理中长期前后有依赖性的时间序列，修复问题数据的精确度可以达到97%以上。　　2．从交通流时空特性出发，分析了不同采样间隔交通流数据采集的时空复杂度，研究了相邻站点探测器之间的时间相关性和空间相关性，为研究基于深度学习的短时交通流预测提供理论基础。为了分析交通流时间序列中隐含的混沌特性，相空间重构的延迟时间τ用C-C算法求出，嵌入维数m用G-P算法求出，用基于小样本数据方法来计算最大Lyapunov指数，最终可以判断交通流时间序列是否具有混沌性。将一维交通流时间序列通过相空间重构变为多维的交通流时间序列，结合门控循环单元(GateRecurrentUnit，GRU)高效的计算效率，提出基于相空间重构门控循环单元(PhaseSpaceReconstruction-GateRecurrentUnit，PSR-GRU)的短时交通流预测模型。通过分析5分钟、10分钟和15分钟采样间隔下该模型的预测性能，得到该模型比其他参考模型的预测精度高，能够捕捉到交通流高峰时刻前后波动趋势。实验结果表明，该预测模型在5分钟采样间隔下的预测准确率达到95%以上，在10分钟采样间隔下的预测准确率达到97%以上，在15分钟采样间隔下的预测准确率达到94%以上。　　3．针对交通流时间序列的线性和非线性特征，分析了交通流参数间的三相图变化过程。利用交通流变化的天相似性，将交通流数据划分为工作日和非工作日，确定交通流从线性到非线性变化的时间索引号，利用分段预测思想，寻找各段最优预测模型。本文提出了一种SARIMA-LSTM-XGBOOST的组合预测模型，利用SARIMA来预测交通流线性部分，利用LSTM-XGBOOST组合模型预测交通流的非线性部分。该组合模型经不同采样间隔交通流数据集、空间相关性较强的上下游探测器数据集和出租车速度数据集测试，实验结果表明，其预测精度比其他参考文献中所提模型提高了6%左右，可以实现复杂环境下高精度预测。　　4．精确的预测结果可以为线路推荐提供依据，然而现有的共乘模式没有体现出司机与乘客共同受益的问题。为了提高出租车的搭载率和减小主干道拥堵，利用百度地图进行站点映射，选用基于区域划分的聚类算法分析出租车轨迹数据中乘客上下车比较集中的站点。以乘客出行费用减少幅度与司机收益增加幅度之差最小作为目标函数，结合基于拥堵等级判断的共乘最短路径选择方法，提出了一种基于改进遗传算法的出租车共乘模式。采用动态请求的方式对乘客的共乘过程及共乘费用进行了对比分析。实验结果表明，该共乘模式可以优化出租车的行驶线路，提高出租车的行驶效率，平衡司机和乘客之间的收支。　　论文主要解决了缺失值和异常值的高精度修复问题，就不同采样间隔下的交通流时间序列特性进行了详细分析，提出了针对不同特征的短时交通流预测方法，这在某种程度上解决了复杂多变环境下城市交通流短时预测的难题。另外，利用出租车轨迹数据特征，结合交通流预测结果，划分了路网拥堵等级，从提高搭载率和减小主干道交通拥堵出发，提出基于多目标的共乘模式和共乘计价策略，从而为城市交通流特性分析及应用研究提供理论依据及参考价值。
作者：	张玺君
专业：	模式识别与智能系统
导师：	袁占亭
授予学位：	博士
授予学位单位：	兰州理工大学
学位年度：	2021