原文传递
基于时空图网络的交通流预测方法研究
| 论文题名： | 基于时空图网络的交通流预测方法研究 |
| 关键词： | 交通流预测;深度学习;时空图网络;特征提取 |
| 摘要： | 随着电动汽车的快速崛起，私家车的持有率也在快速增长，城市交通系统受到严峻的挑战。合理设置交通设施、规划交通路线、实施分流方案可以有效减少道路拥堵时间、降低发生频率，从而减少安全隐患、提升居民幸福感，是智能运输系统(IntelligentTransportationSystem)的重要组成部分。交通流预测作为智能交通控制方法的重要步骤，一直以来受到学术界的广泛关注。 交通流数据的时间、空间模式和随机性等特性为高效、精准的预测带来挑战。现有研究通常从交通流数据的时序特性和空间特性两方面构建模型，但对时空关联的建模视角不完整，只提取局部空间模式或短期时间模式，而交通流数据不仅具有邻近性，还具有周期性和长期趋势性。为了弥补模型的视角缺失，本文提出了一种新颖的基于多视角时空图卷积网络的交通流预测方法，对数据的全局时间关联、长短期局部时间关联、全局空间关联分别建模。此外，现有方法使用基于现实路网的预构建图和图嵌入生成的编码图，难以匹配交通场景下的图结构特性。本文提出一种双向异性图学习模块，通过双向异性公式为时间、空间图卷积层自适应地学习图结构。 在此基础上，本文提出基于有向图时空循环网络的交通流预测模型。上述的混合时间卷积层需要启发式地设置连续卷积核和空洞卷积核尺寸，难以适应不同应用场景下数据的时间特性。本文使用循环神经网络结构代替卷积神经网络结构提取时间关联，引入基于一阶和二阶邻近表达实现有向图卷积，提出有向图时空循环单元构成的编码器-解码器网络结构，从历史序列生成预测序列。 最后，本文在高速公路车辆公开数据集上先后验证了两个模型的各项预测指标性能，实验结果表明，多视角时空图卷积网络相比其他基于卷积神经网络的模型有较高的预测精度，有向图时空循环网络相比大部分交通流预测模型有较高的预测精度。此外，本文使用重庆市主城区出租车数据，验证了多视角时空图卷积网络在不需要预构建图的自适应方法中的优势。 |
| 作者： | 聂庄 |
| 专业： | 计算机科学与技术 |
| 导师： | 张旭 |
| 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
