详情

原文传递基于注意力的智能交通流量预测模型研究

论文题名：	基于注意力的智能交通流量预测模型研究
关键词：	智能交通;流量预测模型;深度学习;注意力
摘要：	随着我国社会经济的持续发展，机动车保有量逐年上升，由此产生诸如交通堵塞、交通事故频发等一系列城市交通问题。伴随着新兴技术的不断进步，智能交通得到了快速的发展并逐渐走入人们的日常生活。智能交通系统(ITS)是一种通过信息智能化的方式管理交通的现代化手段，而交通流预测是智能交通实现的基础和关键所在，利用海量交通大数据，实现城市交通复杂路网的道路交通流量分析预测，并通过摄像头联网和计算机技术，实时的监控和采集交通流量的变化，通过对历史交通流数据采集并与深度学习算法相结合，对未来的交通流变化趋势做出预测和评估，智能交通流量的预测能够大幅提高道路的使用效率、减少交通堵塞、降低汽车能耗、提高现有城市路网的通行能力，具有重要的研究意义。本课题提出面向大型城市路网的短时交通流预测模型，预测未来某段时间内城市交通流量的变化趋势，准确有效地为出行者选择可靠的出行方式，同时为管理者主动实施交通管控提供了理论支持。　　本文针对当今交通流预测领域中缺少高质量的交通流数据和交通流预测网络难以捕捉交通流数据复杂的时空相关性等问题，分别提出了三种交通流预测模型。主要包括基于数据分解降噪和自注意力机制的预测模型，基于胶囊网络和面向通道维度改进的注意力模块的预测模型以及将交通网络转化为时空图的形式，以构建基于注意力的时空特征神经网络预测模型。本文的主要内容如下：　　1.针对交通流数据在现实采集过程中不可避免的会受到各种外部情况的影响，因此本文提出了一种基于降噪分解和异常处理相结合的改进的集成经验模态分解算法，去除交通流序列中的噪声信息；同时结合门控循环神经网络和改进的自注意模块分别从交通数据的时空特征和全局变化特征进行建模。在试验中，将异常处理算法和降噪算法相结合的方式，优化模型的降噪和训练效果，实现了交通流的准确预测。　　2.针对传统的卷积神经网络在交通网络中捕获交通状态空间关系的局限性，提出采用胶囊网络作为改进的骨干网络预测交通流量，将交通网络当做图结构来学习并建模时空关系。本章提出在胶囊网络的前段特征提取部分，使用改进的通道注意力和线性瓶颈层结构，以增强通道域注意力和重要特征的信息提取，同时增强网络的表达能力。在胶囊层中将前段提取的高维特征转化成胶囊形式，通过路由算法实现信息传递避免特征丢失，最后全连接层输出预测信息。试验结果表明改进的模型在交通流预测中是有提升的。　　3.针对图卷积网络在交通预测应用中的局限性和基于循环神经网络的流量预测受长期时间依赖性建模能力的限制，分别在捕获空间相关性时引入图注意力网络的概念和动态图卷积块，在捕获时间相关性时引入时间趋势感知模块，模型建立在基础的编码器和解码器的框架之上，通过在编码层和解码层中堆叠时空特征提取模块实现对图结构数据的时空序列预测。试验结果表明分别由时间和空间特征提取模块堆叠的交通流预测网络，在与其他优秀模型的比较中，在特征提取和预测性能方面均有提升。
作者：	仇斌
专业：	机械
导师：	赵芸
授予学位：	硕士
授予学位单位：	浙江科技学院
学位年度：	2022