详情

原文传递基于深度学习的交通流时空预测方法研究

论文题名：	基于深度学习的交通流时空预测方法研究
关键词：	交通流预测;空间时滞性;纵横向相关性;混沌性;深度学习
摘要：	城市交通拥堵一直是困扰社会经济发展的主要矛盾之一，交通流预测方法是解决该矛盾常用的技术手段。鉴于交通系统复杂的非线性及易受不确定因素扰动的特点，建立宏微观视角下，能够应对不确定因素影响并有效演化非线性时空变化规律的预测模型，对于辅助交管部门缓解交通拥堵、优化管控服务、应对突发事件响应等具有重要的意义。本文从外部时空特性和内部混沌特性研究的角度出发，提出基于深度学习的交通流时空预测方法体系和研究框架，并以“时空融合数据修复-时滞下纵横相关时空预测-天气影响下邻域相关时空预测-实测交通流数据混沌性分析及预测”为主线展开相关研究。具体如下：　　(1)针对时空相关修复法特征挖掘粗粒化的问题，提出时空图卷积交通数据修复方法，结合图卷积、一维卷积和相关性理论，从模型输入数据组织层面，通过融合规则构建时空融合矩阵，以实现图卷积邻接关系的细粒化描述，并将其和多通道历史交通流时空矩阵信息聚合以实现模型处理层面的细粒化时空特征挖掘。在路网随机缺失数据模式下，该方法可有效提取到历史序列较为丰富的时空特征，从而完成预处理阶段的缺失数据修复任务，为后续预测建模提供高质量的数据基础。　　(2)针对路网空间布排关系未细化造成的特征挖掘粗粒化、时空特性考虑不充分的问题，本文从外部时空特性的空间时滞性、上下游路段纵向相关性、多车道横向相关性研究的角度出发，提出时滞下纵横相关时空预测方法。纵向时空关系方面，引入了双向长短期记忆网络，在量化消除时滞影响的基础上，提出了向量拆分的数据输入组织方式，建立了双向维度的时空流动性特征表达；横向时空关系方面，引入时间卷积网络，利用膨胀因果卷积实现多车道横向时空特征的协同提取，以解决传统建模中割裂化提取时空特征的缺陷，最后利用注意力机制动态分配两类时空特征对输出的贡献。该方法综合了三类时空特性影响，能够较为完备的演化复杂的时滞纵横向时空关系。　　(3)针对现有方法难以有效描述现实路网非欧空间异质性，模型受不确定天气扰动性能下降的问题。本文从外部时空特性的邻域相关性角度出发，提出天气影响下的邻域相关时空预测方法。该方法定义了新的邻接关系以优化图结构嵌入，解决了过度依赖参数训练引发的实际节点空间变形问题，并提出层次残差结构以解决网络加深过平滑加剧导致的节点特征趋同问题，借助图卷积门控循环单元的优势建立了序列到序列的邻域相关多步预测框架，并设计了天气流量决策模块来加强模型的抗干扰能力。该方法实现了现实路网非欧时空关系的有效提取，在多步预测的长时预测中优势明显，且模型在天气扰动下依然具备稳定的性能。　　(4)为解决饱和关联维数法确定参数时无法兼顾精度和效率，混沌性建模未针对相空间数据结构及梯度下降参数更新方式易陷入局部最优的问题。本文从内部混沌性研究的角度出发，提出改进范数融合搜索域的饱和关联维数法以确定嵌入维数，联合互信息法得到的延迟时间完成高质量的相空间重构，并通过小数据量法判别实测交通流序列的混沌性。接着提出轻量级的改进粒子群优化算法，并基于相空间数据结构建立深度信念网络和门控循环单元组合的混沌预测模型，并用改进粒子群算法代替传统梯度下降参数更新方式，以实现混沌交通流的准确预测，从而以微观视角解析了实测交通流数据的内部非线性动力学运行机理。　　本研究为深度学习交通时空预测建模提供了较为系统的研究思路，丰富了人工智能技术深度融合智慧交通预测的研究内容，为交通拥堵治理及突发天气应急响应提供了决策依据和方法支撑。
作者：	侯越
专业：	交通信息工程及控制
导师：	鲁怀伟
授予学位：	博士
授予学位单位：	兰州交通大学
学位年度：	2022