原文传递
基于深度时空网络的交通流数据分析与预测研究
| 论文题名： | 基于深度时空网络的交通流数据分析与预测研究 |
| 关键词： | 交通流;数据分析;深度时空网络;注意力机制 |
| 摘要： | 随着现代社会的发展，城市化建设推进，人口、车辆数目迅速增长，城市交通系统面临巨大的压力。智能交通系统（IntelligentTransportationSystems，ITS）依托于海量交通流数据的支持，将前沿的计算机、工程技术等引入交通领域，挖掘出潜在的交通变化规律，可以有效地提高路网效率、规避交通拥堵、节约交通资源。在智能交通系统研究中，交通流数据的处理分析与应用尤为重要，城市交通流量数据具有随机、非线性的特征，同时还拥有很强的时空相关性，现有的方法往往无法很好的挖掘数据中隐藏的时间、空间规律，难以应对当前复杂的路网状况。因此，本文提出通过深度时空网络方法对交通流数据的时空特性进行分析，并基于此对交通数据修复和交通流预测两个问题展开具体的研究，主要的研究内容包括以下方面： （1）本文提出了一种结合时间和空间特征分析的交通数据修复模型。对于海量的交通数据，由于存在传感器故障、通信失效、系统存储损失等各种问题，收集到的数据难免会存在缺失，因此本文提出的模型将空间自注意力机制与改进的双向循环神经网络结合用以挖掘数据的时空特征，并通过在循环神经单元中引入变分自编码器单元和门控单元，生成接近真实分布的数据，从而进一步提高交通数据修复的效果。 （2）本文提出了一种基于时空多图门控图卷积框架的交通流预测模型。一个准确、有效的交通流预测系统不仅可以有效地避免交通拥堵等交通问题，还可以为其他复杂任务提供数据基础，因此为了提高模型的特征挖掘能力，获得更高的预测精度，本文提出通过构建时、空模块的方式分别对历史交通数据进行建模。时间模块通过基于通道注意力机制和“inception”结构的一维卷积神经网络来提取时间相关性，空间模块则是通过一种可解释的多图门控图卷积框架来提取复杂的空间相关性，最后通过堆叠时空块的方式加深网络，进一步提高模型的预测精度。 综上，本文主要针对交通数据的修复和预测展开研究，为了验证本文提出模型的有效性，在真实的交通场景下开展了大量的实验，结果表明与一些现有的模型相比，本文模型能够更好的提取交通流数据特征，有助于后续交通管控任务的开展，进而为智能交通的相关应用提供可行的思路。 |
| 作者： | 张萌 |
| 专业： | 计算机技术 |
| 导师： | 王岩冰;倪庆剑;顾明明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
