原文传递
基于多尺度时空图卷积网络的交通流预测算法研究
| 论文题名： | 基于多尺度时空图卷积网络的交通流预测算法研究 |
| 关键词： | 智能交通;交通流预测;卷积网络;时空数据 |
| 摘要： | 交通流预测作为智能交通系统的重要组成部分，对维护交通路网健康地运行有着重要的意义。近年来，随着深度学习的迅速发展，时空图卷积神经网络成为了交通数据预测的主要手段。针对现有算法对交通流时空特征表达维度单一、以固定的权重衡量交通流动态的周期关系的问题，本文基于时空图卷积神经网络提出两种交通流预测算法，具体如下： 为了解决现有算法对交通流数据时空特征表达维度单一的问题，本文提出了一种多尺度时空图卷积网络（MSSTGCN）模型。利用一维空洞卷积、一阶近似图卷积和时间注意力机制提取交通流数据的时空特性。考虑到“串联”构建的图卷积网络的输出只对时空特征进行了单一尺度的表达，因此引入带有“并联”结构的Res2Net以多尺度时空特征融合的方式对时空特征进行多种尺度地表达。同时，为了考虑交通流量的周期性，构建了3个结构相同的周期网络组件分别对临近预测时段近期、日周期和周周期的交通流序列进行建模，并以加权融合的方式得到最终的预测结果。 为了解决现有算法以固定的权重来衡量交通流数据周期关系的问题，本文在MSSTGCN的基础上，提出了一种自适应周期时空图卷积网络（APSTGCN）模型。其利用自适应周期特征融合网络（APFN）改进了MSSTGCN中基于参数的周期特征融合策略，以注意力机制的方式挖掘不同周期序列之间的动态关系，并根据这一关系给各个组件的输出分配自适应权重，得到更贴近真实交通流量的预测结果。 最后，在两个公开的高速公路数据集PeMSD4和PeMSD8上的实验结果表明，MSSTGCN在两个数据集上的MAE、RMSE和MAPE指标均优于其他基准模型，而APSTGCN在APFN的辅助下，预测精度得到了进一步提升，并且在长期预测中表现出明显的优势。另外，本文提出的APFN还可以灵活地应用于其他模型，以便更全面地挖掘交通数据的周期模式。 |
| 作者： | 温钧林 |
| 专业： | 控制工程 |
| 导师： | 杨国亮 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江西理工大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
