原文传递
考虑时空相关性的短时交通流预测及其在路径优化中的应用
| 论文题名： | 考虑时空相关性的短时交通流预测及其在路径优化中的应用 |
| 关键词： | 短时交通流;预测模型;时空相关性;路径优化;长短期记忆网络 |
| 摘要： | 城市交通拥堵已近日发成为一个严重的问题，提高路网短期交通流预测的准确性，有助于智能交通系统更好地分析道路网的交通状况，从而指导交通，缓解城市交通拥堵问题。准确及时的交通流预测方案可以用来更合理的规划路径，对提高交通诱导效率非常重要。本文从交通流的时间特征和空间特征入手，运用深度学习方法，分别研究实现了单条道路的交通流预测和道路网的交通流预测。 在单条道路的预测上，本文建立了基于长短期记忆网络（Long Short-Term Memory,LSTM）的预测模型。分析了交通流速度数据的时间特征，发现同一天不同时刻的数据相互影响，且天与天之间的数据具有周期性。为了更好的提取交通流数据的时间特征，构建了基于LSTM的预测模型。详细介绍了LSTM模型的网络结构和训练过程，并调整优化了关键参数使模型达到最优。将优化的模型用于多个单条路段的交通流速度预测，验证发现基于LSTM的模型预测结果良好，且在多个路段上预测结果表现优秀，说明了基于LSTM模型相较于传统模型具有优越性。 在针对路网的预测上，本文建立了LSTM-GCN预测模型。单个路段不能有效的反应路网的状况，且忽略了路网中相邻路段之间的影响。利用皮尔逊相关系数分析交通流的空间特征，发现相邻路段之间相关性很高，随着路段距离的增大，相关性不断减小。依据空间特性，将路网看做是一个图，结合卷积神经网络的特点，构建基于图卷积神经网络的交通流预测模型。而整个路网的预测需要综合考虑时空特征，将LSTM模型与图卷积神经网络模型结合构建组合预测模型，实现了对路网全部路段的预测。对组合预测模型运用网路数据进行实例验证，发现预测精确度高，预测速度快。说明对于复杂路网的交通流预测，结合不同模型优点形成组合模型预测是一种可靠的方法。 将提出的两种预测模型应用到路径优化中，结合预测结果引入了交通拥堵因素，实现了更符合实际情况的路径优化。选取西安雁塔区路段模拟路网，验证了两个预测模型与路径优化结合后规划的路径方案比传统方式方案更优，且发现针对路网的组合预测模型更加适用于时效性强的路径规划。 |
| 作者： | 吴漫 |
| 专业： | 物流工程 |
| 导师： | 刘东苏;舒娇娇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
