详情

原文传递基于深度学习的交通流预测研究

论文题名：	基于深度学习的交通流预测研究
关键词：	交通流预测;Transformer网络模型;时空掩码;注意力机制
摘要：	随着城市规模的扩大和人口车辆的增多，许多城市共有的交通问题也愈发明显，例如交通堵塞，交通事故等。这些交通问题严重影响着人们日常生活和工作，使出行不便，通勤时间增长，工作效率降低。智能交通系统的发展在一定程度上解决了这些问题，其中交通流的预测尤为关键。交通流预测对城市管理和评估越来越重要，它反映了城市道路的交通情况，包含交通道路多项信息，例如行车速度、车流量和占有率等。目前主流的交通预测方法是采用深度学习时空数据挖掘模型对交通流进行时间和空间建模，以捕获交通的复杂时空动态性。交通流预测也成为时空数据挖掘领域的一项重要应用。但是，现有深度学习模型大多都是集中在对短期交通流的预测，在解决长期交通流预测问题方面，还需进一步提高。　　本文提出时空掩码Transformer网络(STMTNIN)模型来捕获交通流的时空关系，预测长期的交通流。STMTNIN提升了长期交通流预测的准确率。相比传统的Transformer模型，我们的模型在捕获空间依赖关系上增加了掩码自注意力层，过滤空间关系无关的注意力，并优化注意力矩阵的注意力权值分布，更准确的优化空间上的关联关系。在捕获时间关系上，借鉴Informer的网络结构和长期时间序列预测的特征，来预测长期的交通速度。实验在真实的传感器数据集西雅图线圈检测器数据和PeMSD7(M)数据上证明了STMTNIN方法有效提高了交通流预测的准确性。从多个角度对模型进行实验分析，验证了STMTNIN在交通流长期预测上的性能。最后得出结论，过滤空间上无关的传感器节点，重点关注空间关联关系大的图顶点能够更有效地捕获交通流的空间关系，并减少交通高峰时期的预测误差。
作者：	武斌
专业：	计算机科学与技术
导师：	张莹
授予学位：	硕士
授予学位单位：	华北电力大学(北京)
学位年度：	2022