原文传递
城市道路短时交通流预测方法研究
| 论文题名： | 城市道路短时交通流预测方法研究 |
| 关键词： | 城市道路;短时交通流;预测模型;深度学习;机器学习 |
| 摘要： | 由于经济水平快速提高和城市化进程不断加快，我国私家车保有量不断上升，交通拥堵成为大中城市交通常态。随着科学技术的不断发展，智能交通系统的研究与应用成为了应对城市交通问题、缓解交通拥堵、保障交通安全的重要方式和手段。城市道路短时交通流预测作为智能交通系统研究中重要组成部分广受关注和研究，基于数据驱动的城市短时交通流预测方法和模型成为重要的研究方向。本文旨在基于深度学习和机器学习构建城市道路短时交通流预测模型，为实时精细化交通管理与控制提供支持。 首先，本文对交通流预测方法进行了分类，明确了交通流预测问题的定义。针对交通流数据异常和缺失问题，提出了3σ准则交通流异常检测方法，总结了交通流数据补全的三种方法：基于统计学的方法、基于插值的方法和基于算法预测的方法，并使用基于软阈值奇异值分解的Soft-Impute进行了数据补全。以实际交通流数据集分析了交通流的时间相关性、空间相关性和不确定性，明确了交通流预测的本质是复杂的动态时空序列预测问题。 其次，本文总结了基于深度学习的时间和空间特征提取方法，分析了注意力机制在交通流预测中的有效性，提出了引入注意力机制的混合时空图卷积网络(Attention-basedHybridSpatio-TemporalGraphConvolutionalNetwork,AHSTGCN)交通流预测模型，其在空间特征提取上使用谱域图卷积，在时间特征提取上使用循环神经网络和软注意力机制，并借鉴集成学习思想设置两个具有相同超参数的并行模块以提高模型的预测精度和泛化能力。在实际交通流数据集上与其他方法进行对比实验，分析了AHSTGCN模型交通流预测效果。 最后，本文总结了基于机器学习的交通流在线和离线预测方法，分析了在线预测方法解决交通流数据概念漂移的有效性，提出了机器学习短时交通流预测组合模型，其主要由离线预测、在线预测和组合策略三个模块组成。在线预测模块使用在线AHSTGCN模型、在线被动攻击算法和Hoeffding树回归算法，离线预测模块使用离线AHSTGCN模型和极限梯度提升树算法。并以实际交通流数据集分析了多半数简单平均、Softmax加权平均和在线被动攻击算法三种组合策略的预测效果。基于以上研究，提出了生产环境中交通流实时预测模型结构。 |
| 作者： | 耿冬冬 |
| 专业： | 交通运输工程 |
| 导师： | 陆建;於昊 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
