原文传递
基于卡口数据的车辆轨迹及交通状态预测模型
| 论文题名： | 基于卡口数据的车辆轨迹及交通状态预测模型 |
| 关键词： | 智能交通;卡口数据挖掘;交通流预测;深度学习 |
| 摘要： | 随着机动车保有量的快速增长，城市交通供需矛盾突出，严重阻碍城市的可持续发展。智能交通系统运用精准感知的高新技术，使人们的出行效率得到极大提高。高清卡口系统（简称卡口系统）是智能交通系统的重要组成部分，可以全天候、不间断地自动采集路面上行驶车辆的信息，已经为车辆动态管理提供执法依据。随着卡口数据不断增长，其中蕴含的车辆出行信息尚待进一步发掘。因此，为克服传统方法挖掘大数据的局限性，为科学的交通管控方案制定提供依据，本论文深入分析淄博市某区卡口数据，探究其呈现的交通流运行规律。 依据卡口数据提取交通流运行指标，具体包括交通流量、行程时间、行程速度以及一般交通调查无法获得的车辆轨迹等，进而分析交通流运行指标的时空特征；考虑不同卡口之间的时空关联特征，提出基于生成对抗网络的交通流预测模型，实现多步预测多断面交通流参数；结合车辆行驶过程中长短距离依赖性以及路网结构性、同质性等因素，提出基于图嵌入的车辆轨迹预测模型。具体研究内容及结果如下。 建立交通时空生成对抗网络（TrafficSpatio-temporalGenerativeAdversarialNetwork，TSTGAN）模型，利用门控卷积操作提取交通流的空间特征，利用长短时记忆神经网络提取时间特征，实现对区域交通流的精准多步预测，使用卡口数据集验证TSTGAN模型的有效性。结果表明：TSTGAN模型引入的时空模块能有效提取交通流的时空特征，所得均方根误差和平均绝对误差比所选现有模型分别降低2.12~42.41%和1.66~40.49%，这表明TSTGAN模型可以提高交通流参数的估计精度。 建立图嵌入-长短期记忆神经网络（GraphEmbeddingLongShort-termMemory，GE-LSTM）模型，使用图结构分析研究区域路网的结构性与同质性特征，利用长短时记忆神经网络提取车辆轨迹数据的长短距离依赖性，通过多层感知机预测车辆行驶轨迹，使用从卡口数据中提取得到的车辆轨迹数据集验证GE-LSTM模型。结果表明：GE-LSTM模型得到的车辆轨迹预测准确率比所选现有模型提高7.50~55.08%，这表明GE-LSTM模型能胜任车辆轨迹预测任务。 |
| 作者： | 王荣贇 |
| 专业： | 交通运输规划与管理 |
| 导师： | 姚荣涵 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
