详情

原文传递基于时空卷积的短时交通流量预测

论文题名：	基于时空卷积的短时交通流量预测
关键词：	交通流量预测;时空特征;周期划分;时序卷积神经网络;门控循环单元;注意力机制
摘要：	短时交通流量预测作为智能交通系统的基础和重要研究内容之一，能够为交通管理者和出行者提供决策依据，是推进交通强国建设进程中强有力的一环，对于打造“智慧高速”和“智慧城市”具有非常重要的研究意义。论文针对现有的短时交通流量预测模型输入数据冗余且组合方式单一等问题，围绕多特征融合，以时空特征选择算法和周期划分为切入点，提出一种基于时空卷积的多特征多任务短时交通流量预测模型，实现对交通流量和速度的精确预测。论文的主要研究内容如下：　　（1）针对现有预测模型输入数据冗余且组合方式单一等问题，本文通过将时空特征选择算法、周期划分、时序卷积神经网络（TemporalConvolutionalNetwork，TCN）、门控循环网络（GatedRecurrentUnit，GRU）与注意力机制进行融合，提出一种基于时空卷积的短时交通流量预测模型。首先通过加入时空特征选择算法以确定最优交通流数据序列，降低噪音，提高模型训练效率及预测精度，并将其作为短时交通流预测模型的输入数据之一；与此同时，针对现有模型输入数据时间跨度较短且未考虑月周期间的影响的问题，本文对真实数据集进行特性分析，以周期划分为切入点，初次尝试考虑月周期性，在降低模型训练成本的同时，加强关键性输入数据的特征表达。基于此，对短时交通流数据的四个时间特性进行建模。其次，将TCN网络和GRU网络相结合以捕获短时交通流的时空依赖关系；然后通过引入注意力机制为每个历史时间段数据赋予权重，考虑了不同历史时间段对预测目标时间段的不同影响。此外，针对现有预测模型未考虑同一时间段内的交通流量与交通速度之间存在的潜在影响，只考虑了工作日、节假日、天气状况等常规的外部特征影响因素的问题，本文在考虑常规外部特征因素的同时，考虑了当前时刻交通速度或交通流量的影响，初步尝试在预测问题加入宏观参数间的联系，通过此操作，进一步提高了预测精度。最后，将上述各模块的输出进行融合实现对预测区域未来时刻的交通流量或交通速度的预测。　　（2）为了提高模型的适用性和泛化性，本文以高速公路和城市道路两种道路类型的数据集为研究对象进行了短时交通流量的预测。高速公路数据集采用来自PeMS系统收集的公共实时车流量数据集，包括交通流量、交通速度等信息，并在此数据集基础上通过网络爬虫技术基于DarkSky平台加入天气数据等外部特征信息；城市道路数据集采用西安市某二环具有交叉路口、没有信号灯指导的快速路区域公开的视频数据，本文基于Yolov5算法设计并实现了车辆计数算法程序，完成了城市道路交通流数据集的创建，为日后进行短时交通流量预测相关方面的实验奠定了强有力的基础。研究结果表明，本文提出的短时交通流量预测模型MFM-STC在多种道路类型真实数据集中取得了较佳的预测效果；与其他现存预测模型相比，该模型在最优交通流数据序列的基础上，综合考虑周期性关键数据，在提取交通流时空特性的同时引入注意力机制和外部特征，在短时交通流量单步预测和多步预测方面都表现出较佳的预测能力。对于道路交通管理者规划控制交通、城市出行者制定出行策略具有实际指导意义，具有很好的应用前景。
作者：	窦瑞娟
专业：	软件工程
导师：	刘占文
授予学位：	硕士
授予学位单位：	长安大学
学位年度：	2022