原文传递
基于张量填补的交通需求量OD矩阵预测研究
| 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 |
检索历史
应用推荐
