原文传递
基于深度学习的道路交通流速度预测研究
| 论文题名： | 基于深度学习的道路交通流速度预测研究 |
| 关键词： | 交通流速度预测;深度学习;注意力机制;时空特征;图卷积网络 |
| 摘要： | 随着城市交通的快速发展，交通数据呈现爆炸似的增长，而道路通行效率逐步降低，城市路网容量也逐渐难以满足交通需求，导致城市交通频繁拥堵。与此同时大数据和智能复杂计算也在快速发展，人工智能方法可以比统计模型更准确地预测未来的交通，特别是深度学习网络。在获取较丰富的时空数据后，深度学习方法便可对道路交通建模分析，预测交通状态。因而交通预测的主要挑战在于如何从海量交通数据的复杂时空维度中获取时空特征，并动态的建模，同时还需考虑实际环境下受各种因素影响。本文基于深度学习方法，对交通流进行短期及中长期的速度预测研究，主要工作有如下几个方面： （1）提出基于多影响因素的交通流速度短期预测模型 为提高交通预测的准确度，在实际交通流的规律性分析的基础上对交通流进行速度预测，并考虑影响交通状态的实际环境影响因子，提出交通流速度短期预测模型MF-BiLSTM。该模型中使用真实的城市道路交通流时序数据集和气象数据集，并获取道路交通速度和多个与交通速度相关的特征变量，包括天气、温度、交通指数、空气质量指数等，数据处理后建立特征矩阵并输入双向长短期记忆网络进行训练和验证，并在不同的环境下验证模型的可用性。 （2）基于注意力机制和时空图卷积网络，提出中长期交通速度预测模型 目前的交通流量预测在短期效果较理想，但是长期的流量预测效果一直不会太好，主要存在复杂的时空相关性和误差传播两大主要问题。对于中长期的交通流预测问题，使用长短期记忆网络和两层图卷积网络，获取时空特征，结合图注意力机制，提出中长期交通速度预测模型TA-GCN。模型能跟随时间序列推进，同步获取交通数据表现在空间上的特征，并动态关注各个节点的信息，减小了长时预测任务下的误差积累。 研究利用公开数据集对MF-BiLSTM和TA-GCN模型进行了实验评估，首先选取ARIMA、CNN、LSTM、BiLSTM四种预测模型与MF-BiLSTM进行对比，实验结果显示MF-BiLSTM的预测精度比以上四种对比模型分别高2.63％，1.95%，2.87%，0.89%。同时，根据降雨程度和空气质量指数划分数据集，在不同降雨程度和空气污染程度的情况下实验对比各个模型的预测精度，MF-BiLSTM相比其他模型，其预测精度表现更平稳。其次利用真实的道路时序速度数据集进行中长期的道路速度预测实验，选取ARIMA、GCN、LSTM-GCN、SAtt+Tatt与TA-GCN进行对比验证，原始数据间隔为15min，预测实验的未来窗口选取30min、45min、60min，TA-GCN的预测精度均优于其他模型，取得了较好的预测效果。 |
| 作者： | 刘思林 |
| 专业： | 软件工程 |
| 导师： | 廖祝华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
