原文传递
基于多源数据的时空交通流量预测方法研究
| 论文题名： | 基于多源数据的时空交通流量预测方法研究 |
| 关键词： | 城市道路;交通流量;预测方法;多源数据 |
| 摘要： | 随着城市化进程的推进，大规模的汽车保有量与城市路网结构之间的矛盾日益凸显，如何高效缓解城市道路的交通拥堵状况逐渐成为城市交通管理中的一大挑战。若能根据车辆行驶轨迹数据和各类交通传感器数据实现未来特定时段的道路交通流量预测，便可以根据预测结果适时实施交通管制，提前疏导拥挤道路的部分车辆实现拥挤道路的车辆提前分流，从而提高道路通行效率。城市交通流量中蕴含着丰富的空间流动特性和强烈的时间相关性，如何充分挖掘包括时、空在内的各种隐含相关性进而提高交通流量的预测精度一直是交通流量预测中的难点，针对现有研究中相关特征挖掘不充分、预测精度不理想的问题，提出了基于多源数据和时空预测的城市交通流量预测方法。 首先，在数据预处理及分析中，针对两个交通数据集各提出了一套完整的预处理方案，主要包括地图坐标转换、异常值处理、流量转换和卡尔曼数据平滑降噪，实现了道路交通卡口过车数据与出租车轨迹数据的流量转换；通过对预处理后的两个交通流量数据、天气数据、地理兴趣点的相关分析，探索了多种外部因素对城市交通流量的影响。 其次，在多源特征表征方法分析中，针对时间属性特征表征不完善的问题，提出了基于Time2vec的嵌入神经网络层，加强了模型的时间周期性学习能力；针对天气属性特征表征不完善的问题，提出了基于体感温度和基于K-means天气聚类的天气特征表征方法；针对地理兴趣点属性特征表征不完善的问题，提出了基于最近邻算法和基于网格编码的地理兴趣点特征表征方法。 再次，在基于多特征融合的交通流量时空预测模型中，为了解决外部相关特征提取不充分的问题，设计了基于时间、天气和地理兴趣点的外部特征融合模型；为了提高模型的空间相关性学习能力，设计了基于图表示算法的空间邻接特征提取模型和基于历史轨迹的真实空间权重提取模型；为了提高模型的时间相关性学习能力，设计了基于近邻周期建模和日周期建模的双基线多层时间卷积神经网络模型，并融合了多头注意力结构以改善模型对长时间序列的学习能力。 最后，在两个真实交通数据集上验证了提出的多特征自注意力神经网络时空组合模型，实验结果表明该模型的预测效果优于对照实验的现有模型，对中长期交通流量预测的精度提升更为显著，可为智慧交通的建设提供理论依据。 |
| 作者： | 蔡世杰 |
| 专业： | 汽车运用工程 |
| 导师： | 卢炽华;胡杰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
