原文传递
交通流预测及交通状态判别算法研究
| 论文题名： | 交通流预测及交通状态判别算法研究 |
| 关键词： | 交通流预测;交通状态判别;深度学习;时空图卷积网络;模糊C均值算法 |
| 摘要： | 随着全球机动车保有量的迅速增长和城市化的深入推进，传统的交通系统已无法满足人们安全、舒适、快捷的出行需求，智能交通系统(IntelligentTrafficSystems,ITS)的出现为缓解交通拥堵、保障出行安全和提升出行服务水平等提供了新的解决思路。交通流预测和交通状态判别作为ITS的重要组成部分，对其发展起到了关键作用。 为实现精准的区域交通流预测，本文针对大多数预测模型只考虑交通流自身时空特性的问题，提出了结合天气因素的融合时空图卷积网络(FusionSpatial-TemporalGraphConvolutionalNetwork,FSTGCN)。设计了融合模块整合交通流数据和天气数据，并基于图卷积网络(GraphConvolutionalNetwork,GCN)和门控循环单元(GatedRecurrentUnit,GRU)构建了GCN-GRU混合模型。将图卷积运算代入GRU的状态更新过程，以挖掘交通流复杂的时空特性。为解决该混合模型处理长时序列能力有限的问题，采用感受野灵活、并行处理能力强以及采用残差连接的时间卷积网络(TemporalConvolutionalNetwork,TCN)首先挖掘交通流的长时特征，再输入至GCN-GRU中以完成交通流预测任务。 为弥补当前众多交通状态判别方法标准不一致，且无法根据交通流演化实现有效更新的缺陷，本文参考现有方法选取了两个评价指标：交通流密度和道路饱和度。在此基础上，通过给定初始隶属度矩阵和熵权法、样本加权法改进传统模糊C均值算法(FuzzyC-Means,FCM)，解决了其易陷入局部最优和无法考虑不同指标和样本对聚类结果的影响问题，实现了交通状态的合理判别。之后，针对聚类算法引入新样本需重新训练的缺点，设计了基于深度学习的长短时记忆(LongShort-TermMemory,LSTM)分类模型，以完成实时、准确的交通状态判别任务。 为证明上述算法的有效性和可靠性，在交通流预测方面，本文在真实大规模交通流数据集上与多种算法进行了对比实验和模型消融实验。实验结果表明，FSTGCN模型在不同预测范围均具有最优性能，能够准确把握整个区域交通流的变化趋势；所设计的融合模块和TCN模块显著提高了模型预测精度。在交通状态判别方面，通过在真实交通流数据集和FSTGCN模型预测数据集上的充分实验，证明了改进FCM算法在性能和分类边界处理上均得到优化，交通状态判别结果更符合实际情况。对于LSTM判别模型，通过与多个分类算法的对比实验，表明了该模型具有极高的实时性、准确性。 |
| 作者： | 张亚杰 |
| 专业： | 控制工程 |
| 导师： | 王萍 |
| 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
