原文传递
基于时空3D卷积神经网络的城市区域交通流预测
| 论文题名： | 基于时空3D卷积神经网络的城市区域交通流预测 |
| 关键词： | 交通预测;时空预测;深度学习;卷积神经网络;城市计算 |
| 摘要： | 交通流量预测是智慧城市建设中的重要组成部分。高效的交通流量的动态分析和预测对于解决拥堵、道路规划建设和智慧交通建设具有重要意义。城市区域交通流预测的目标是通过分析历史交通GPS数据来预测未来的交通信息，帮助人们做出更好的出行决策。在现实世界中，准确的交通预测是一个巨大的挑战，它受到许多复杂因素的影响。早期的研究主要使用统计学习方法和机器学习方法解决时序和路网的交通流预测问题，但是这两类预测方法无法对更为复杂庞大的时空相关性等时空特性进行同时建模，这限制了模型的表达能力。尽管一些基于深度学习的交通流预测方法能够从轨迹数据集中自动学习时空特征并能很好地对时空周期性和时空复杂性进行建模，但是这些研究在进行时空建模时，通常破坏了交通流中不可分割的时空相关性且并没有重视交通流数据中存在的时空灵活性。 针对现有研究方法存在的问题，本文提出了一种时空卷积神经网络(ST2DNet)用于捕获交通流中的内生时空相关性，因其主要通过叠加卷积层来捕获时间变化对交通流预测的影响，未能较好的处理交通流数据中存在的时空灵活性。本文进一步提出了一种基于3D卷积神经网络的交通流预测模型:时空自适应3D卷积神经网络(STA3DCNet)，用于城市区域的交通流预测。该交通流模型利用3D卷积神经网络，对时间特征和空间特征同时建模，以捕捉不可分割的时空相关性。并提出了一个自适应转换模块，给通道分配不同的权重以捕捉时空灵活性。本研究利用两个公开的城市面域的车辆轨迹数据集Chengdu和Xi''an开展了相关实验。实验结果表明，所提出的交通流预测模型STA3DCNet优于其他对比模型。本研究所开展的相关消融性实验进一步证明了本模型的优越性能。所提出的STA3DCNet模型的核心创新点如下: (1)为了更好地捕捉时空相关性和时空灵活性，本文提出了一个自适应3D卷积模块来对时空依赖性进行建模。其中，为了同时捕获时间特征和空间特征以保持时空相关性，本文利用残差连接结构与3D卷积神经网络设计组合出了一个新模块—3DConvSE子模块。同时为了捕获时空灵活性，本文通过在自适应变换组件中提出的选择机制，为不同的通道分配不同的权重。通过消融实验证明，这两点都对模型预测性能的提升起到一定助力。 (2)本研究同时考虑了时空复杂性，借助嵌入向量和掩码矩阵，本文将外部因素引入到使用一体化模型的城市区域交通流预测方法中，最后通过加权特征融合模块融合处理各时空特征和外部特征，进一步提升了模型预测的性能。 |
| 作者： | 李雪娇 |
| 专业： | 软件工程 |
| 导师： | 李贺 |
| 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 |
检索历史
应用推荐
