原文传递
基于图神经网络的交通流预测研究
| 论文题名： | 基于图神经网络的交通流预测研究 |
| 关键词： | 交通流预测;时空特征;图神经网络;注意力机制 |
| 摘要： | 交通流预测根据道路历史交通状况（交通流量，速度，占有率）预测未来交通状况，既是典型的时空预测问题，也是智能交通系统（IntelligentTransportationSystem，ITS）的重要组成部分。随着城市化进程加快，城市交通承受着巨大的运输压力，严重影响道路的通行能力。因此，有效进行交通流预测，能更好地引导车辆出行，提高路网运行效率，成为ITS的研究热点。本文基于图神经网络的交通流预测展开相关研究工作，主要研究内容如下： （1）现有方法无法从不同层次或范围提取交通数据的时空特征，导致交通流预测性能不佳。对此，提出了一种基于全局-局部特征学习的时空注意力交通流预测模型。该模型使用编码器-解码器结构：在编码器中，门控时间卷积层、扩散图卷积层和时空注意力层，从全局和局部角度捕获交通流数据的时空特征并编码为时空向量；转换注意力层对历史和未来时间步间的时空向量关联性进行建模，得到中间向量表示；在解码器中，中间向量表示解码生成交通流预测值。实验结果验证了该模型的有效性。 （2）现有方法很少同时用交通流的周期性和空间异质性来改善交通流预测性能，或是预测性能不佳。为此，提出了一种基于transformer的交通流预测模型。该模型将transformer模型的位置编码及前馈神经网络替换成时空嵌入和空间注意力模块；构造含有不同周期的历史数据集，作为模型输入。该模型由编码器和解码器组成。在编码器中，时空注意力模块分别提取交通流的时空特征（含周期性、空间异质性）并编码成中间向量表示；在解码器中，中间向量表示经时空注意力模块提取时空特征，以自回归方式解码生成交通流预测值。相关实验验证了模型的有效性。 （3）设计并实现了一个基于深度学习的交通流预测系统。该系统利用python和tensorflow开发，具有算法选择、参数设置、模型训练和结果输出及可视化展示四个模块功能，有助于处理交通流预测方面的任务。 本文通过分析交通流预测算法所存在的问题，设计了两种交通流预测模型。两个模型可以充分提取交通数据的时空特征，改善了模型多步交通流的预测性能，为处理交通流预测问题提供了新的研究思路。另外，设计和实现了一个基于深度学习的交通流预测系统，为研究者开展交通流预测工作提供了帮助。 |
| 作者： | 赵云端 |
| 专业： | 计算机技术 |
| 导师： | 魏巍 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山西大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
