原文传递
基于深度组合建模的路网拥堵态势预测
| 论文题名： | 基于深度组合建模的路网拥堵态势预测 |
| 关键词： | 交通路网;拥堵预测;图像处理;深度学习;时空特征 |
| 摘要： | 随着我国国民经济的迅速发展，各大城市的交通拥堵问题愈发严重，极大影响了人们的出行效率。针对此类问题，研究人员利用多种算法对路网速度变化趋势进行预测，希望根据预测结果对交通进行疏导，但是现阶段的交通拥堵预测研究是基于单一路段，对于多条路段所组成的路网交通预测精度较低，无法很好的表现出路网真正的速度态势。本文基于此类问题，将路网不同时段的速度变化抽象成图片，逐帧播放，通过前几帧图像预测后几帧，在此基础上本文利用深度学习挖掘路网内部各个路段的时空特征，对未来路网速度状态进行更为精准的预测，主要分为以下三步： 1.对路网进行网格化划分：用特定大小的网格对路网进行分割，建立路网状态矩阵，采取这种方式能够使路网特征得到保留，既可以让路段的相对位置不变，也能够有效避免路段形态的变化。 2.提取空间特征：将网格化处理后的路网矩阵作为输入，利用卷积神经网络对各条路段的空间特征进行挖掘。 3.提取时序特征：将卷积神经网络处理后的输出数据作为递归神经网络的输入数据，通过LSTM神经网络对路网的时序特征进行挖掘，并预测路网最终的速度变化趋势。 模型构建完毕后，以北京市三环内的城市道路数据为实例对本模型进行验证，同时与传统神经网络、卷积神经网络、递归神经网络的预测结果进行对比。实验结果表明，本模型在密集型路网和分散型路网中的预测结果都更为准确，20分钟内预测准确度均在90%以上。通过和现有预测模型多角度对比，验证了本文模型在路网拥堵态势预测上的适用性和优越性。 |
| 作者： | 董哲伟 |
| 专业： | 交通运输工程 |
| 导师： | 徐永能;杨磊 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
