详情

原文传递融合交通领域知识与深度学习的城市快速路交通状态估计与预测

论文题名：	融合交通领域知识与深度学习的城市快速路交通状态估计与预测
关键词：	城市快速路;交通状态估计;交通领域知识;深度学习;图卷积网络
摘要：	为缓解城市快速路的交通高负载问题，智能交通系统（IntelligentTransportationSys-tem，ITS）在城市快速路中被广泛使用。然而，现有的ITS也面临着一些问题。在数据采集上，许多城市快速路由于检测器铺设位置不当或维护成本高昂，使得匝道流量数据无法采集。现有的研究以匝道检测器数据完备的源域路段训练的估计器估计匝道检测器数据缺失的目标域路段，但该类方法没有考虑源域路段与目标域路段的交通状态分布差异。在交通状态预测上，现有的研究以基于特征融合的时空预测模型为主，但此类模型缺少与交通领域知识的融合且对特征的物理解释不足，使其对突变交通流的预测精度不高、模型可靠性不强。本文试图将交通领域知识与深度学习方法融合，开展（1）无检测器匝道的流量估计研究与（2）交通状态的中长期预测研究。主要工作如下：　　1）设计了一套完整的交通状态数据预处理流程。该流程输入为城市快速路检测器提供的过车数据，过车数据经交通流三要素的计算转化为流量、速度以及密度数据；再经大范围缺失数据填充、小范围缺失数据填充以及异常数据的识别与替换后，加工为可直接用于训练的交通数据集。本文以成都二环快速路过车数据为实验对象，验证了该流程的可靠性。　　2）在考虑交通状态分布差异的基础上，提出了基于迁移学习的无检测器匝道流量估计模型。首先，设计了一个基于门控循环单元网络（GatedRecurrentUnit，GRU）的匝道流量估计器，用于实现源域路段的主干道交通状态到匝道流量的映射；之后，利用深度领域自适应方法（DeepDomainAdaptation，DDA）减少源域路段和目标域路段的边缘分布差异，且DDA方法的可行性以交通领域知识为保障；最后，设计了模型迁移方法（ModelTransfer，MT）来减少源域路段和目标域路段的估计器差异，且MT方法中优化问题的设计结合了交通领域的POI理论和交通流的统计分布特征。在实验中，所提出模型在三种不同路段场景中的高估计精度与鲁棒性均得到验证。　　3）在结合交通基本图模型（FundamentalDiagram，FD）的基础上，提出了基于交通基本图的时空图卷积网络模型，简称FDST-GCN。该模型以序列到序列（SequencetoSequence，Seq2Seq）框架作为骨架网络，受到交通基本图中流密度关系相互影响的启发，在编码器中采用两个图卷积网络（GraphConvolutionalNetworks，GCN）同时提取速度和流量的空间相关性。此外，FDST-GCN模型将交通基本图模型的参数作为FD特征，与时间特征和天气特征一起融入解码器中，以进一步提高模型的预测精度。在实验部分，FDST-GCN模型对局部突变交通流的感知能力以及对整体交通态势的把握能力得到了验证；此外，FDST-GCN模型中各输入与特征的贡献以及贡献的物理意义得到了阐述。
作者：	张杰
专业：	电子信息-控制工程
导师：	宋春跃;李德文
授予学位：	硕士
授予学位单位：	浙江大学
学位年度：	2023