原文传递
基于深度学习的短时交通速度预测模型研究
| 论文题名： | 基于深度学习的短时交通速度预测模型研究 |
| 关键词： | 交通速度预测;深度学习;时空分析;多源数据;卷积神经网络 |
| 摘要： | 交通预测对于解决城市交通问题起着重要的作用，实时准确的交通预测有利于规划路线，提高出行效率。近些年来深度学习相关理论取得了丰硕的成果，因其模型构建灵活，高维数据处理及泛化能力强，故许多研究者将其应用于交通领域。深度学习使得研究者具有了对庞大数据的高性能处理能力，因此便有了更多的时间将注意力集中到如何对数据本身的性质进行分析以及模型构建上面。因此本文利用深度学习对短时交通速度预测展开研究，可以将主要研究内容概括为： （1）对本文的研究数据进行了时空特征分析。在时间特征方面主要是探究交通速度的时间相关性，采用距离度量和相关系数度量相结合的方式来计算相关系数，研究发现基准时刻的交通速度与临近基准时刻的交通速度具有很强的相关性，时刻越远相关性越低；在空间特征方面主要是探究交通速度的空间相关性，采用莫兰指数对道路的交通速度进行空间自相关分析，发现随着道路间行驶距离的增加，道路交通速度的空间自相关性也随之降低。 （2）根据是否考虑外部因素构建了两种不同的短时交通速度预测模型。第一种为动态时空图卷积神经网络交通速度预测模型DSCNN，即将路网抽象为图结构，利用图结构本身和历史速度数据构建动态邻接矩阵，采用图卷积与长短期记忆网络、注意力机制结合的方式对短时刻的交通速度进行预测。动态图卷积神经网络交通速度预测模型意在深度挖掘交通速度数据的时空特性。 第二种模型在预测时从现实出发，考虑到了车辆在行驶过程中车速还会受道路结构、路段所在区域、天气状况、人们出行的时间影响，故在DSCNN的基础上对模型进行了改进。一方面用兴趣点构建邻接矩阵来代替前面的简单矩阵；另一方面将多源因素模块加入到了模型之中，使得在预测速度时考虑的因素更加全面。 两个模型在青岛市出租车GPS轨迹数据集上实验各表现出了不同的优势，考虑多源数据的模型预测精度要高于DSCNN模型，RMSE、MAE、MAPE指标相较于DSCNN模型分别减少了27.85%，35.92%，20.55%，但后者较前者模型的构建更为复杂，所以训练时间成本更高。故在外源数据不足的情况或者节省人工要求下第一种模型更为适合，第二种模型虽然对数据处理更为繁琐，模型更加复杂，但保证了最后预测的精度。 |
| 作者： | 王增光 |
| 专业： | 测绘工程 |
| 导师： | 王海起;王劲峰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国石油大学(华东) |
| 学位年度： | 2021 |
检索历史
应用推荐
