原文传递
基于LSTM和GCN的交通流量预测研究
| 论文题名： | 基于LSTM和GCN的交通流量预测研究 |
| 关键词： | 交通流量预测;图卷积网络;长短期记忆网络;智能交通管理 |
| 摘要： | 改革开放以来，随着我国经济的快速增长，汽车保有量逐年增加，导致城市中车辆不断增多，造成了交通堵塞、交通事故频发等问题。随着人们花费在路途中的时间变得越来越长，这些问题对于人们的日常生活产生了极大的负面影响，这需要我们借助现有的技术和知识来解决这些问题。 实现城市智能交通系统管理被视为解决城市交通问题的有效方法之一，它旨在为人们提供交通管理的服务。它可以让用户获得更全面的路况信息，由此人们可以更安全、更协调地利用交通网络。交通流量预测是智能交通管理与控制的核心内容，也是交通信息服务重要基础，可作为交通决策的关键依据，同时可也为交通出行提供有效地路径选择信息。 随着机器学习与深度学习技术的快速发展，越来越多的方法正在被用于交通流量预测，其中主要包括统计学模型、机器学习模型和深度学习模型。人们对与交通流量的预测正变得越来越精准。然而这些模型存在一些缺陷，如未考虑周期性，参数量过多等问题。 针对上述模型存在的缺陷，我们提出了两种模型，LS-GCN模型与LST-GCN模型，LS-GCN模型通过将长短期记忆网络（LSTM）与图卷积网络（GCN）组合在一起来对交通流量进行预测，同时考虑了交通流量数据中的日周期性与周周期性。LST-GCN模型在考虑周期性的基础上将长短期记忆网络嵌入到图卷积网络的训练过程中，我们发现，LST-GCN模型可以更好地捕获交通流量数据中存在的时空相关性，同时模型大大减少了模型中参数的数量，提升了模型的运算速度。本文通过大量实验证明，在PEMS04与PEMS08数据集上，分别使用RMSE、MAE和MAPE作为评价指标，本文的提出的两种模型效果要好与HA、ARIMA、SVR等经典模型，说明本文提出的预测方法可以有效地提高交通流量预测精度。 |
| 作者： | 韩旭 |
| 专业： | 应用统计 |
| 导师： | 龚世才 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江科技学院 |
| 学位年度： | 2022 |
检索历史
应用推荐
