原文传递
基于时空数据融合的车道级交通流预测
| 论文题名： | 基于时空数据融合的车道级交通流预测 |
| 关键词： | 城市交通流预测;时空特性;组合模型;数据融合 |
| 摘要： | 近年来，中国踏上社会主义现代化进程，党中央加大对交通领域的投资建设，城乡距离缩短进一步带动城镇经济的发展，但当前城市路网建设依旧处于发展阶段。随着购车热潮的兴起，道路交通基础设施建设速度与机动车保有量增速逐渐无法匹配，城市交通拥堵问题日益严重。精确、实时的交通信息预测能够感知和分析交通数据的演化趋势，是交管部门缓解城市交通压力的有效手段。当前，传统交通流预测模型在建模时缺乏对影响交通流的多方因素的综合性考量，如时间特性和空间特性，导致现有的交通流预测模型存在精度低、可移植性差等问题。同时，随着车载导航和无人驾驶技术的进一步发展，以路网为研究对象的区域交通流预测方法已无法匹配高新技术对道路信息的精准匹配需求，需要更加细粒度的数据建模方式，因此车道级的交通流预测必要的研究对象。论文以城市道路交通系统的断面为研究对象，基于参数相关性、横纵车道级空间特性和时间特性构建交通流预测的方法体系，为车道级的城市道路交通信息感知提供分析、建模及预测的理论依据和基本技术路线。 首先，详细分析了车道级城市交通流的时间和空间特性，并对现有的基于时空特性的预测方法和数据融合方法进行了综述性介绍，明晰了现有方法的不足之处。其次，在车道级横向空间特性分析的基础上，通过研究不同车道间交通流参数的复杂耦合关系，以多车道联合建模的方式提升车道级交通流预测的精度；多车道综合建模需要考虑车道间及车道参数间的特征协调问题，以主成分分析法对强相关车道的不同交通参数进行特征级融合，建立横向相关性及宏观参数相关性的数据组织，通过堆叠的门控循环单元实现横向相关性和参数影响的车道级交通流预测；针对横向车道时空关系建模中由于时间依赖提取不充分引起的模型精度下降问题，引入Transformer的编码器结构对预测中多尺度时间依赖关系进行特征提取，通过结合长短时依赖特征来提高车道级横向空间预测结果的准确性。最后，构建了车道级交通流的横纵时空预测方案，基于横向车道空间预测模型，引入双向长短时记忆网络对道路的纵向空间进行建模及特性提取，以组合建模的方式融合道路的横纵时空特性，扩充了车道级交通流预测的数据感知域，从多个角度挖掘交通流的丰富特性，实现精度更高的预测建模。最终通过实际的道路交通流数据验证了本文提出的方法有效性。 本研究为基于时空特性的车道级交通流预测问题提供了系统性的技术路线，构建了精度高且具有可移植性的车道级交通流预测模型，为车道级智能导航对道路高精度匹配的需求提供有效的预测方法。 |
| 作者： | 崔菡珂 |
| 专业： | 软件工程 |
| 导师： | 侯越;丁峰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
