论文题名: | 基于张量填补的交通需求量OD矩阵预测研究 |
关键词: | 交通流量预测;OD预测;图卷积神经网络;张量重建 |
摘要: | 交通OD矩阵揭示了城市潜在的交通需求,近年来近年来已经被广泛运用到许多现代交通系统中。随着当代城市的高速发展,交通系统日益繁忙。同时,经济、城市的高速发展给交通系统带来了巨大的压力。所以对于交通状况进行精准的预测有着积极的价值与重大的意义。由于交通OD数据采集的困难性,采集到的数据往往无法覆盖全部的起点-终点对,并且无法覆盖完全的交通流量,所以交通OD矩阵呈现出高度稀疏的问题。为了解决数据稀疏性问题,本文提出了一种应用广泛的框架,即TENET,该框架利用张量分解和图卷积块实现OD流的时空嵌入。同时,设计了一个双向(过去/未来)时间预测模块来增强每批训练数据。在实验中,在不同的数据稀疏程度上,TENET在纽约和成都OD流数据集上都比现有方法有很大的改进。此外,可以将TENET集成到不同的预测方法中,进一步提高其性能。 第一部分。本文对现有的交通预测模型进行了分析,对时间序列填补方式进行了总结与研究。考虑到交通预测任务上时间信息与空间信息的重要性,创造性的提出了基于神经网络的时空嵌入方法对于稀疏OD矩阵进行填补。通过填补,可以显著的现有模型在稀疏OD矩阵预测下的效果。 第二部分。本文选取NYC,DIDI-CD两组公开数据集。设计了丰富对比实验,充分验证了本文提出的TENET的显著效果。此外通过迁移TENET的时空嵌入模块,证明了此数据补全方法的显著有效性。最后我们进一步研究了TENET在不同数据稀疏程度下的效果,证明了该方法的稳定性。 |
作者: | 杨润 |
专业: | 应用统计硕士 |
导师: | 王刚 |
授予学位: | 硕士 |
授予学位单位: | 上海财经大学 |
学位年度: | 2021 |