详情

原文传递基于深度学习的交通流量预测算法的研究与实现

论文题名：	基于深度学习的交通流量预测算法的研究与实现
关键词：	交通流量预测算法;时空序列预测;图神经网络;生成对抗网络;深度学习
摘要：	交通预测作为智能交通系统中的一个至关重要的研究内容，是现代城市交通控制和引导的前提和基础。准确的交通预测，可以帮助交通部门掌握交通流的未来发展趋势，缓解因交通拥挤带来的社会负面影响。然而，受到多源时空数据的复杂影响，交通预测面临着严峻挑战。具体而言，交通数据往往表现出很强的时空相关性，拥有复杂的路网结构，在很大程度上受到时间、位置、突发状况以及天气变化等因素的影响，具有很高的非线性、随机性以及复杂的变化模式。此外，数据缺失很大程度上影响了交通预测的性能。近年来深度学习算法和技术飞速发展，特别是图神经网络的兴起，为交通预测领域提供了新的思路和研究方向。但是，现有方法对复杂时空动态性变化特征的获取能力以及对时空序列数据的补全性能仍存在不足。本文针对以上问题进行了深入研究，具体如下: 　　本文提出了一个基于动态图神经网络的交通预测模型。采用序列到序列作为主体架构，利用图神经网络、循环神经网络对时空两个维度的特征进行建模。为了有效捕获时空动态特征，设计时空动静融合网络，将动态图生成与循环提取时序依赖的过程同步进行。其中，针对现有方法采用给定的节点拓扑结构对节点空间关系的表示有限，在多角度设计了动态图生成模块，在不同时间步构建新的拓扑结构用于补充路网拓扑，以此获取时空数据中所蕴含的潜在信息。其次，数据缺失的情况普遍存在，现有预测任务中并未对缺失数据进行特殊处理，且相关补全方法并未考虑到复杂的时空关系，因而用于交通时空序列数据时补全效果欠佳。因此，本文提出一个新的生成模型用于填充时空序列数据中缺失处的值，充分结合时间和空间两个维度的信息以得到更可信的填补值，将缺失数据集进行有效填补之后用于下游预测任务。该模型考虑到路网复杂的空间依赖性和流量数据的时空动态性特征，设计了时空生成器和时空判别器网络。通过结合生成对抗网络与图卷积神经网络以获取交通数据中潜在的时空特征，使得生成器在博弈过程中可以从观测数据中学习到复杂的高维特征分布，从而可以生成与真实数据分布近似的数据，用于补全路网图中缺失节点的信息。该模型将生成损失和补全损失结合训练生成器，共同权衡补全缺失的效果。　　本文在两个真实数据集（公路传感器监测数据）上对上述模型设计了丰富的对比实验，实验结果证明本文设计的模型与基准模型相比均取得了最优的性能。此外，将提出的模型与其变种进行对比，充分证明了动态拓扑构建模块的有效性。最后，为了进一步展示交通预测的效果，将交通预测集成到可视化系统中进行展示。
作者：	刘娜
专业：	计算机技术
导师：	黄健斌;谢卫
授予学位：	硕士
授予学位单位：	西安电子科技大学
学位年度：	2022