原文传递
智慧城市下的细粒度与潜在交通流量预测
| 论文题名： | 智慧城市下的细粒度与潜在交通流量预测 |
| 关键词： | 交通流量预测;细粒度;对比自监督;多任务学习 |
| 摘要： | 随着城市化的快速发展，智慧城市的建设融入到了生活的各个领域之中，它致力于运用信息和人工智能技术对整个城市运营需求做出快速反应和合理规划。目前大多数城市规划者和管理者专注于研究城市的交通流量变化，并取得了有效的研究成果，但在细粒度的城市流量推断和城市潜在交通流量预测方面的研究还存在一定不足。本文旨在这两个方面，使用深度学习技术提出了基于时空对比自监督的城市细粒度流量预测和城市潜在交通流量预测模型。 作为城市交通服务的一项关键任务，细粒度的城市流量推断(Fine.grained UrbanFlow Inference，FUFI)在智能交通管理、城市规划和公共安全等诸多领域均发挥了重要的作用。FUFI是一种专注于仅根据观察到的粗粒度流量数据来推断细粒度城市流量的技术。然而，现有的方法总是需要大量可学习的参数和复杂的网络结构。为了减少这些缺陷，本文设计了一种基于对比自监督方法来预测细粒度的城市流量，同时考虑到所有相关空间和时间的对比模式。通过几个精心设计的自监督辅助任务，使简单的网络具有从流量数据中捕获高级表示的强大能力。最后，本文提出了一种结合三个预训练编码器的微调网络来预测细粒度的城市交通流量。本文方法与其他最先进的方法在两个真实世界的数据集上进行比较，所有的实验结果不仅表明了本文模型相比于其他模型的优越性，而且证明了它在资源受限环境下的有效性。 城市潜在交通流量(Potential Urban Flow，PUF)预测作为估计新规划城市区域或者交通站点未来人群流量的有效方法，己成功应用于共享单车系统、地铁网络规划和建筑选址等问题。实际上，PUF是一个将新区域插入到现有全市人群网络的动态问题，但是目前大多数研究未能捕捉到这种动态变化，因为它们只关注新规划区域建成后的流量而忽略了周围区域的流量变化，这会导致结果不符合实际。为了缓解这个问题，本文提供了考虑动态城市流量变化PUF的定义，并提出了一个相应的时空预测模型PUFP.ML来有效地解决该问题。PUFP.ML考虑了不同的流量模式、复杂的外部因素以及城市中目标和扩展区域之间的关系。此外，本文设计了一个多任务学习框架来提高对时间属性的学习能力。本文对现实世界的数据集进行了广泛的实验，以评估所提出模型的有效性和可靠性，与其他模型相比，展示了其在PUF预测问题中的最新性能。 |
| 作者： | 曲浩 |
| 专业： | 软件工程 |
| 导师： | 尹义龙;宫永顺 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
