原文传递
基于多特征长短期记忆网络的城镇路网短时交通流预测
| 论文题名： | 基于多特征长短期记忆网络的城镇路网短时交通流预测 |
| 关键词： | 交通流预测;多维LSTM;神经网络;空间特征提取;多特征提取器 |
| 摘要： | 我国的很多城镇城市化后交通出行都面临着以下问题，城市交通基础设施日益完善的同时，人均机动车保有量逐渐攀升，城市道路网络承受着巨大的压力，致使城市交通拥堵、人们出行效率降低等问题逐步加重。智能交通系统（IntelligentTrafficSystem，ITS）凭借其先进的科学技术手段已经成为减缓交通拥挤和满足出行者意愿的最有效途径之一，其核心功能是实现交通指导与风险规避，而实时、高准确率的短时交通流预测是提升诱导能力及道路管控的前提。基于城镇路网的短时交通流预测的研究有着非常重要的现实意义。 论文在总结了交通流时间序列聚类、交通流预测方法、路网时空特征提取方法的基础上，提出了一种基于多特征长短期记忆网络的城镇路网短时交通流预测方法，本文的主要工作如下： 1、为解决交通流数据采集过程中难免出现的缺失问题，提出一种基于故障数据日期属性相关性分析的故障数据修复模型，将天气、社会属性作为数据修复的重要依据引入模型。通过随机选取时间点来构造含有缺失的数据集，使用该数据集进行修复方法的有效性说明，结果表明提出的模型综合表现优于现有的其他修复方法。 2、针对现有路网空间特征提取方法存在依赖实际拓扑结构、应用成本高却效果差等不足，提出一种基于时间序列和聚类的城镇交通流空间特征提取算法。该算法提出两种模型来分别适配参考周期较长的时间序列和参考时期较短的时间序列。两种模型均使用路网输出的时间序列表征路段，通过对这些时间序列的聚类发现路段间的空间关联。前者在自组织映射网络的基础上，引入多特征提取器，该提取器通过多个角度有效提取出时间序列的波动特征，放大和强化后，应用自组织映射网络进行聚类操作，以此得到路网内部紧密联系的路段分组。通过对特征矩阵的有效处理，不仅能提升聚类效果，且有效节省算法时间。后者则是对基于密度的聚类算法进行改进，引入最大信息数来衡量时序间的相关性，提升聚类准确度。实验表明，两个算法在数据集上均有良好的表现，聚类效果提升超过5%。 3、针对当前的一维LSTM和经典二维LSTM神经网络，只能参照同一时序信息，或不能较好满足路网上交通流预测需求，提出一种新的二维LSTM结构。与一维LSTM神经元的三个门开关不同，新结构在神经元中加入一层用来采集上一时刻同组其余序列神经元的即时状态单元，也就是神经元的输出不仅传递给近邻神经元，而是在矩阵中沿着时间传递。实验结果表明上述方法在准确率和时效性性方面均有良好表现，与LSTM相比在三个评估维度上误差降低比率均超过10%，测试时间降低约11.5%。 |
| 作者： | 李智慧 |
| 专业： | 计算机科学与技术 |
| 导师： | 朱玉全 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
