原文传递
基于深度时空模型的交通流量预测方法研究
| 论文题名： | 基于深度时空模型的交通流量预测方法研究 |
| 关键词： | 交通流量预测;深度学习;注意力机制;拉普拉斯金字塔;charbonnier损失函数 |
| 摘要： | 自改革开放以来，人们生活水平得到极大改善，对机动车的需求量逐年递增。机动车虽然能够方便人们出行，但是其数量的快速增长加剧了城市道路交通拥堵。交通流量预测是智能交通系统中必不可少的一部分，它不仅能帮助出行者做出更好的出行决策，还能辅助交通管理部门制定更有效的管理措施。因此，准确有效的交通流量预测是提高交通管理服务质量的重要基础。 交通流量预测是通过挖掘历史交通流量数据的时间特征或空间特征进行预测，其研究方法主要有基于统计学方法、基于机器学习方法和基于深度学习方法。然而，现存的大多数方法不能全面和准确地捕获路网中交通流量的时空动态相关性，导致交通流量的预测精度不高。因此，本文采用深度学习方法，充分学习交通流量的时空动态相关性，提高交通流量预测精度。本文主要研究工作和贡献如下： 1.针对现有大多数模型捕获交通流量长时间序列的时间动态相关性，易发生梯度消失或梯度爆炸的问题，本文提出了一种基于卷积神经网络的交通流量预测模型(spatial-temporaldilatedconvolutionalneuralnetwork,STDCNN)。该模型引入膨胀因果卷积神经网络，能够以较少的网络层数和学习参数捕获交通流量的时间动态相关性，然后，利用图卷积神经网络提取具有拓扑结构路网的局部空间相关性，最后，使用真实数据集进行对比实验和时间消耗实验。实验结果表明，STDCNN模型不但具有较好的预测性能，而且引入的膨胀因果卷积能够加速模型训练。 2.针对现有模型学习交通流量的局部空间动态相关性特征不全的问题，本文基于STDCNN模型，提出了一种基于空间注意力机制的交通流量预测模型(spatial-temporalattentionconvolutionalneuralnetworks,STACNN)。STACNN模型引入空间注意力机制动态关注不相邻交通传感器节点之间的关系，并结合图卷积神经网络捕获交通流量的局部空间动态相关性。然后，使用拉普拉斯金字塔超分辨率网络模型的charbonnier损失函数进行梯度下降，弥补L2损失函数的不足。实验结果表明，引入的空间注意力机制和charbonnier损失函数均对模型产生积极影响，进一步提高了交通流量的预测精度。 |
| 作者： | 刘敏 |
| 专业： | 计算机科学与技术 |
| 导师： | 夏英 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
