原文传递
基于GCN的城市交通流量预测方法研究
| 论文题名： | 基于GCN的城市交通流量预测方法研究 |
| 关键词： | 交通流量预测;时空模式;图神经网络;ConvLSTM;交通图建模 |
| 摘要： | 交通流量的准确预测是智慧交通系统中关键的一环。对城市交通系统中具有时空特征的交通流量数据进行分析，从中提取隐含的特征，实现交通状况的实时调度、城市道路规划具有重要意义。随着道路设施的大规模部署，数据量也在不断增长、城市道路状况也变的越来越复杂，虽然国内外学者提出了很多关于交通流量预测的方法，但是仍然存在许多待解决的问题包括：时空特征提取困难、道路动态相关性特征提取不够完善、空间特征提取方法存在缺陷等。本文基于图卷积神经网络，围绕时空模式、道路拓扑结构与时空预测相关技术，深挖交通数据中时间、空间及其它隐藏特征，实现预测效果的提升。本文研究主要针对城市道路系统，考虑到不同时间场景的特点和道路的具体状况，采用图神经网络进行时空预测，对类似的时序数据研究具有参考价值。本文主要研究内容包含以下两个方面： 1.针对交通流量预测问题中难以捕获时空依赖的情况，设计了一种多维注意力时空网络模型(Multi-dimensionalAttentionBasedSpatial-TemporalNetworks,MA-STN)。首先，研究交通流量数据存在的时空特征，参考时间周期划分出不同维度的数据集。其次，采用注意力机制分别获取网络不同节点的权重和不同时间分片上的权重。最后，结合空间权重矩阵与图卷积(GraphConvolutionalNetworks,GCN)提取空间依赖，结合时间权重矩阵与ConvLSTM提取时间依赖，并将不同维度的数据所提取的特征进行融合，最终输出预测结果。对比已有的类似模型，提出MA-STN模型在两个真实数据集上的均取得更好的效果。 2.针对当前图卷积神经网络仅捕捉静态图结构上的空间依赖，忽视节点之间潜在的关系。并且，传统频域图卷积仅包含低通滤波器无法提取图上具有异质性的特征。因此，提出一种基于动态交通图的流量预测模型。该模型采用节点嵌入的方式构建自适应邻接矩阵，并运用于提出的一种频率自适应图卷积神经网络中。经过实验分析，自适应邻接矩阵能够反应固定图形结构之外的空间特征，高低频特征也都有助于节点表示的学习，并且提出的基于动态交通图的流量预测模型，也能更准确对交通流量进行预测。 |
| 作者： | 胡新庭 |
| 专业： | 软件工程 |
| 导师： | 徐光侠 |
| 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
