详情

原文传递基于深度学习的城市路网行程时间预测方法研究

论文题名：	基于深度学习的城市路网行程时间预测方法研究
关键词：	城市路网;行程时间预测;多源数据融合;深度学习;图卷积网络;动态时空特征
摘要：	行程时间作为衡量城市道路交通系统运行效率的重要指标，对其进行精准预测可以为出行者提供及时有效的路况信息和出行路径规划，从而缓解或避免交通拥堵。然而，一方面，实际道路交通流的时间和空间依赖关系具有动态时变特征，传统的数据建模方法无法有效表达路网交通的动态时空相关性，增加了行程时间精准预测的难度；另一方面，受到天气和交通事故等外部因素的影响，交通流时序数据容易产生异常波动，难以有效提取潜在的交通关键信息，导致预测结果不稳定而无法满足实际应用需求。　　基于上述问题，本研究以城市交通多源时空数据为基础，以深度学习方法为主要手段，结合交通流理论和数据挖掘技术对路网行程时间预测进行深入研究。在常态交通条件下，旨在解决城市交通动态时空相关性建模的难题；在异常交通条件下，旨在通过交通事件分析与建模，建立感知交通突变特征的响应算法，解决异常条件下行程时间预测精度低且不稳定的问题。具体研究内容如下：　　（1）基于城市多源数据，进行了交通时空特征分析与建模。首先，在对基础路网数据、路段交通流数据、交通事件数据和气象数据进行清理、修复和规范化的基础上，利用相关性分析方法选择数据聚合的最佳时间粒度，并提出了基于空间信息和时间粒度的时空匹配方法，解决了多源数据时空语义信息不一致的问题。然后，利用相关函数和时间序列分解算法分析交通流在时间维度的邻近性、日变周期和周变周期特性；通过全局莫兰指数和Pearson相关系数分析各路段交通流的空间全局相关性和局部异质性。最后，从时间维度的时变模式、日变模式、周变模式和空间维度的路段模式，建立了四阶时空张量模型，并利用张量的纤维和切片实现了不同模式下的交通时空特征提取。　　（2）考虑交通事件（如交通事故、道路施工等）对道路行程时间的影响，构建了交通事件检测和持续时间预测系统框架。首先，搭建了包含二分类和多分类两阶段任务的交通事件检测框架。第一阶段，分别从时间和空间角度筛选事件前后时刻以及上下游路段的交通流特征变量，建立了XGBoost二分类模型进行交通事件自动检测；第二阶段，针对事件数据类别不平衡的问题，利用随机过采样、赋权法和SMOTE算法分别建立了3个实验样本集，并结合XGBoost多分类算法进行交通事件类型识别，结果表明SMOTE-XGBoost模型的分类效果最好。然后，通过堆叠降噪自编码器和逻辑回归算法实现了事件持续时间的精准预测，最高精度达到了82.37%。最后，将系统框架集成到行程时间预测模型，为行程时间的精准预测提供了有效的特征变量。　　（3）为解决常态条件下路网交通的动态时空相关性建模问题，提出了基于动态时空图卷积网络的行程时间预测方法。首先，提出了考虑时变空间相关性的建模方法，利用路段距离信息和历史平均速度分别计算距离权重矩阵和相关性权重矩阵，并结合图的邻接矩阵构造了混合邻域矩阵，从而建立改进的图卷积网络，实现了空间静态和动态特征的融合。然后，提出了时间相关性的分类建模方法，通过建立邻近组件、日变周期组件和周变周期组件提取交通流时间维度特征。基于此，在各组件中应用改进的图卷积网络，搭建了动态时空图卷积网络预测框架。最后，通过实验及案例分析进行了模型优化及性能验证，最高预测精度为 88.77%，且预测曲线的拟合优度达到了 0.8962。结果表明，所提方法可以有效提取路网交通的动态时空特征，并实现行程时间的精准预测。　　（4）为解决异常交通条件下的不稳定预测问题，提出了基于多组件融合网络的行程时间预测方法。首先，利用阈值高斯核函数和路段动态相关系数，构造带有动态空间注意权重的混合邻域矩阵；在Seq2Seq框架中引入全局注意力机制，捕获时间序列之间的动态依赖关系；基于此，结合GRU建立了动态时空注意力组件，提取交通动态时空特征。其次，将已搭建的交通事件检测和持续时间预测框架进行集成，建立了交通事件感知组件，提取交通事件特征。然后，开发了基于“门控”融合的响应预测算法，通过门控多源融合组件捕捉交通突变特征并实现多源信息融合，在单步和多步预测中，模型精度分别提高了2.01%和2.92%。最后，利用消融实验阐释了各组件的功用；通过对比实验和案例分析，验证了所提方法在异常条件下可以实现精准稳定的行程时间预测。　　本文以北京奥体中心周边路网为研究对象，重点围绕交通动态时空相关性建模和异常条件下行程时间不稳定预测的问题展开深入研究，研究成果有助于提高城市交通系统在不同交通条件下的出行预测能力，对提高道路交通运行效率、改善交通安全、促进绿色低碳循环发展具有积极意义。
作者：	许淼
专业：	载运工具运用工程
导师：	刘宏飞
授予学位：	博士
授予学位单位：	吉林大学
学位年度：	2022