原文传递
基于连续时间卷积网络的短时交通流量预测
| 论文题名： | 基于连续时间卷积网络的短时交通流量预测 |
| 关键词： | 交通流预测;时间卷积网络;神经网络 |
| 摘要： | 交通流量预测与分析是智能交通系统的关键环节，能为交通管理部门的指挥和决策提供有力支持。随着深度学习的发展与应用，基于神经网络的交通预测方法层出不穷，但现有方法存在难以捕获交通流序列的长时依赖以及预测特征单一的问题。因此，本文的研究内容是建立多源信息融合模型以预测短时交通流量，本文的主要工作如下: (1)针对时间卷积网络(TemporalConvolutionNetwork，TCN)在短时交通流预测任务上难以捕获交通流序列长时依赖的问题，提出一种基于连续时间卷积网络(ContinuousTemporalConvolutionNetwork，CTCN)的短时交通流量预测模型。该模型引入连续卷积核函数替换原有的离散卷积，可以在不受扩张系数和网络深度的影响下提升网络的感受野。连续时间卷积网络的特征提取可以在底层完成，以解决卷积类网络在处理长序列数据时网络过深的问题。通过美国加利福尼亚州PeMS平台提供的数据集上对预测模型进行了验证，实验结果表明CTCN模型预测性能优于其它经典模型，相比TCN在预测未来5分钟流量上的均方误差降低了9.3％。 (2)针对传统交通流量预测方法预测特征单一的问题，提出一种基于信息融合的短时交通流量预测模型IFCTCN(InformationFusionContinuousTemporalConvolutionNetwork)。该模型以CTCN为基础结构，考虑了多种影响因素对道路交通流量的影响，这些因素包括交通速度、车道占用率、天气和节假日。在特征变量输入模型之前，需要对天气节假日因素进行定量转换，天气按照气象预警等级进行量化，节假日则依据法定假期的长度进行量化。通过PeMS平台提供的交通数据集和Darksky平台提供的天气数据集对模型进行了验证，实验结果表明IFCTCN模型的均方误差相比CTCN模型平均下降了5.1％。 |
| 作者： | 殷仕山 |
| 专业： | 计算机技术 |
| 导师： | 孙克雷 |
| 授予学位： | 硕士 |
| 授予学位单位： | 安徽理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
