原文传递
基于出租车GPS数据的城市交通流短时预测模型研究
| 论文题名： | 基于出租车GPS数据的城市交通流短时预测模型研究 |
| 关键词： | 交通流;短时预测;时空特性;GPS轨迹数据;深度神经网络 |
| 摘要： | 城市交通流量短时预测是智慧交通发展中的重要一步。本文基于北京市出租车GPS轨迹数据，对城市交通流进行了时空特性分析，利用深度神经网络建立了两种短时交通流时空预测模型，主要研究内容包括： （1）城市交通流时空特性分析。时间层面，按分钟和日粒度进行交通流量统计和Pearson相关系数分析。发现城市交通流在时间上具有临近性、周期性和趋势变动性，且工作日和非工作日具有显著的差异。每天的交通流量变化从细节上看，高平峰时段不完全固定，且幅值也不同。空间层面，从微观上，对道路的交通流量进行了空间自相关分析，发现随着道路间行驶距离的增加，道路交通流量的空间自相关性也随之减弱。宏观上，利用OD数据和POI数据进行核密度分析，发现不同的时段下交通流的演化规律。 （2）短时交通流预测模型两种思路阐述。从是否考虑城市路网拓扑结构的角度出发，结合城市交通流时空特性设计了两种预测模型。基于网格划分的城市区域短时交通流量时空预测模型从交流流量统计和道路空间关系处理的简单性出发，不考虑城市路网的拓扑结构。受城市网格管理的启发，将研究区域切分成多个规则网格并提出了一种基于注意力机制的CNN-LSTM时空预测模型。模型由空间组件和动态时间组件组成，其中空间组件利用CNN模型来捕获城市交通流量不同时间下的空间特征，动态时间组件的基于注意力机制的LSTM来解决交通流量的趋势变动性和交通流量预测。 基于图结构的城市道路短时交通流量时空预测模型，将路网的拓扑结构抽象为图，使用欧式距离、网络距离和交叉口距离来描述路段间不同的空间关系。提出一种基于注意力机制的GC-GRU时空预测模型，以嵌入图卷积操作的GRU作为基本单元搭建编解码器模型框架。不同的距离图下的实验结果表示网络距离为此模型最佳的空间关系描述。 两个模型均在北京市GPS轨迹数据集上实验，预测精度均高于基准模型，且在相似的时空尺度下，基于图结构模型的预测精度要优于基于网格模型，但训练时间成本远高于基于网格划分的预测模型。通过分析发现，基于网格预测模型更适合宏观上发现拥堵区域，基于图结构预测模型更适合微观上发现拥堵路段。 |
| 作者： | 陈海波 |
| 专业： | 测绘工程 |
| 导师： | 王海起;孟斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国石油大学(华东) |
| 学位年度： | 2020 |
检索历史
应用推荐
