原文传递
基于时空相关性分析的交通流预测模型研究
| 论文题名： | 基于时空相关性分析的交通流预测模型研究 |
| 关键词： | 交通流预测;门控机制;时间卷积网络 |
| 摘要： | 随着现代化城市的日益发展，人均汽车保有量不断上涨，交通拥堵和交通利用率低下导致人们在出行时浪费大量时间，由此督促了智能交通系统的发展。在智能交通系统中，交通流预测是其非常重要的组成部分。然而由于交通流数据存在复杂非线性的时间和空间相关性，使得交通流预测任务具有极大的挑战。为了挖掘交通道路网络上交通数据之间复杂的相关性，准确及时的预测交通流，本文将时间和空间相关性分开研究，先进行时间相关性分析，构建基于时间相关性的模型，然后再将时间和空间结合起来，构建一种新的时空结合的网络模型，来提取交通流数据中复杂的时空相关性。本文的主要研究内容如下： （1）针对交通数据的时间相关性进行研究，本文构建了一种新的门控时间卷积网络模型。鉴于时间卷积网络在迁移学习方面适应能力不强，结合长短期记忆网络中输入门和输出门的结构，将时间卷积网络中每个扩展卷积模块中的两个卷积相关模块均设计为两个内部并行的卷积模块，构成一个输入门和输出门的结构；同时为了减少每一块的方差，将输入门和输出门均增加两个相同的平行分支，每一个并行卷积分量的的总输出是通过平均所有“门”的输出而得到的。在真实的交通速度数据集上测试本文提出模型的性能，结果表明本文模型相比其他几种常见得时间序列模型预测精度更好，且能够很好捕捉交通速度的突然变化，预测结果稳定。 （2）针对交通数据在空间分布上的相关性难以捕捉的问题，本文构建了一种基于时空结合的交通流预测模型。该模型借鉴门控循环单元中遗忘门的结构，将善于捕捉空间关系的图卷积神经网络和图注意力网络结合构建自适应图卷积网络，并将该自适应图卷积网络构成的空间模块来建模交通道路网络中的空间关系，将注意力机制和门控时间卷积网络结合来构成时间模块学习交通道路网络中的时间关系，并利用门控机制构成的时空融合层来融合时间模块和空间模块，构建基于时空相关性分析的交通流预测模型，最后在真实的交通速度数据集上进行验证，并与当前常见的预测方法进行对比实验并分析其性能。在公开数据集上的实验表明，本文提出的方法在预测准确率方面展现了有效性，为开发交通流预测系统提供了理论支持。 |
| 作者： | 官沙 |
| 专业： | 计算机技术 |
| 导师： | 王春枝 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖北工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
