原文传递
基于时空卷积神经网络的数据缺失交通流预测
| 论文题名： | 基于时空卷积神经网络的数据缺失交通流预测 |
| 关键词： | 智能交通系统;交通流预测;深度学习;时空卷积神经网络;连续数据缺失 |
| 摘要： | 随着人类社会经济的持续发展，汽车已成为人们日常出行的主要交通工具，交通拥堵、能源消耗、环境污染等问题也随之而来，给道路交通和环境保护带来了巨大的压力。交通流预测作为智能交通系统的基础，在路径规划和出行诱导等方面发挥着越来越重要的作用。当前的交通流预测研究主要是通过深度学习方法进行，对数据的完整性有较高的要求，在收集数据的过程中通常会因为检测器故障等问题而导致数据异常和缺失，几乎所有的研究方法都集中于解决少量随机数据缺失的问题，无法应对长时间数据缺失的状况，而交通路网中的数据具有一定的时空相关性，为此论文针对数据连续缺失情况下的交通流预测进行了深入研究，具体内容如下： (1)使用基于DBSCAN密度聚类算法进行数据处理，自动学习交通数据的类别特征，对数据进行准确归类，去除边缘异常样本，为模型验证提供准确的数据支持。 (2)针对数据连续缺失情况下交通流预测精度下降甚至失效的问题，提出了一种时空卷积神经网络预测模型。通过构建时空矩阵和掩码矩阵来标记路网数据的缺失状况，使用时空卷积神经网络模型提取交通流特征，实现数据连续缺失情况下的交通流预测。 (3)使用公开数据集，对数据缺失情况下的时空卷积神经网络模型的预测精度进行评估和验证。实验结果表明，该模型相对于其他一些先进的交通流预测模型具有较小的平均误差和较高的预测精度，在交通数据随机缺失和连续缺失两种情况下，均表现出了良好的稳定性和健壮性。 (4)结合交通管理和道路交通状况的实际需求，对交通流预测系统的功能模块进行了分析和设计，实现了数据采集、数据处理、交通预测、统计分析和数据存储等功能，并进行了界面可视化。 论文的研究结果能够实现在连续数据缺失的情况下的交通流预测，可提前预知道路状况，减缓交通拥堵，提高出行效率，推进智能交通系统的进一步发展，对提高交通运输管理智能化具有重要的理论意义和参考价值。 |
| 作者： | 张壮壮 |
| 专业： | 软件工程 |
| 导师： | 武雅丽 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
