原文传递
基于频谱时间图像网络的交通流预测
| 论文题名： | 基于频谱时间图像网络的交通流预测 |
| 关键词： | 交通流预测;频谱时间图像网络;动态时空相关性 |
| 摘要： | 近年来，时空序列数据预测被广泛应用到了各个领域之中，例如天气、交通、神经等。交通流的预测就是一个典型的例子，交通流不仅仅包括车辆，也包括人流量。本文主要针对地铁站的客流量预测进行研究，这有助于提高人们出行的效率。随着深度学习和图神经网络地不断发展，越来越多的学者开始尝试将其应用于交通流预测之中，不断提出更多可用于交通流预测的方法。 在真实世界中，交通流数据具有明显的时间依赖性与空间依赖性。因此在对城市交通流预测进行建模时，需要充分考虑动态时空相关性。本文系统性地研究和总结了国内外现有地交通流预测方法。通过对比各种模型的优缺点，为本文的后续研究提供了改进思路和充分的理论基础，并对数据进行清洗和预处理，整理出实验所用的以5分钟、10分钟为间隔的客流量数据集。 传统方法学习序列间的关系往往需要进行预先定义和假设，而本文利用频谱时间图神经网络（StemGNN）的潜在关联层能够实现自动地生成图结构。并且模型中的离散傅立叶变换和图傅里叶变换能够在频域中捕获序列间相关性和时间依赖性，实现有效地预测。此外，基于StemGNN模型进一步提出了一些改进，一是以 ChebNet 替换频谱时间图神经网络中的谱卷积层，对该模块进行改进，以获得更强地表达能力和更多的邻接节点信息。二是在频谱时间图神经网络之中加入了多任务学习模型，包括地铁站客流量的预测任务、涨跌的分类任务和客流量的变点检测。 最后设置了八种基线模型进行对比，在两个数据集上均取得最好的实验结果，验证了本文提出的改进模型的有效性。 |
| 作者： | 冯志刚 |
| 专业： | 应用统计 |
| 导师： | 刘斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西南财经大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
