原文传递
基于交通网络的信息预测方法研究
| 论文题名： | 基于交通网络的信息预测方法研究 |
| 关键词： | 交通流预测;时空图建模;注意力机制;图神经网络 |
| 摘要： | 随着城镇化和现代化的迅速发展，我国汽车拥有量不断增加，这就造成了城市面临交通拥堵的严峻考验。为解决这一难题，准确而有效地进行交通流量预测已成为智能交通系统中至关重要的一部分。交通流量预测是否准确可靠，对提供数据驱动交通智能决策，优化交通调度，从而降低交通拥堵具有重要意义。时空数据蕴含巨大的应用价值，对时空数据的智能分析和预测是智慧城市和空间大数据领域的重要问题。有效发掘时空数据的时空规律和知识，对智能交通、城市规划、环境保护等多个方面都非常重要。然而，由于时空数据存在噪音多、特征复杂等特点，时空数据的预测建模一直是很有挑战性的问题。图神经网络和时间序列模型用于分别捕捉交通网络中的空间和时间关联性。目前的时空数据预测研究仍不可以高效地捕捉远距离的时间依赖关系。针对上述问题，本文提出基于通道注意力的时空图神经网络模型以及基于预训练增强的时空图神经网络模型，并在此基础上做出了改进。本文的主要工作内容如下： （1）本文研究了交通数据的时空依赖性，并提出了一种基于通道注意力的时空图神经网络模型（CASTGNN），旨在深入研究该领域的相关问题。为了能够同时捕获复杂的时间关联性和空间关联性，本文借鉴时空同步图卷积模块，构建区域化时空图，利用图卷积实现局部时空中时空依赖关系同步提取。考虑了临近时空依赖对其作用效果，设计了通道注意力模块。此外，为了更有效地捕获远程时间依赖关系，引进了具有门控机制的transformer模块，其自带的自注意力机制无需考虑加深网络深度。在两个城市交通数据集上的实验结果证明，CASTGNN的预测性能要明显优于其余几个基线模型，但是CASTGNN模型对历史时空数据的时间依赖挖掘得不够充分，仍有较大的提升空间。 （2）受限于模型复杂度，大多数时空图神经网络（STGNNs）只考虑短期的历史多变量时间序列（MTS）数据，如过去一小时的数据。然而一个小时的历史数据能够学习到的时间模式是有限的，时间和空间模式的分析需要长期的历史数据。针对上述问题，本文提出基于预训练增强的时空图神经网络模型（CASTEP），引入一种可扩展的时间序列预训练模型TSFormer，从非常长的历史数据学习时间模式，并产生段级表示，作为短期时间序列的上下文，输入到CASTGNN，促进时间序列依赖关系的建模。此外，现存transformer模型往往只关注时间序列的依赖关系，为了解决上述问题本文在CASTEP的基础上对transformer模块进行了修改，设计了局部和全局注意力，充分挖掘变量之间存在的独特空间关系。通过公共交通数据集进行实验，结果表明CASTGNN与CASTEP模型都有出色的预测性能。 |
| 作者： | 高方宏 |
| 专业： | 信息与通信工程 |
| 导师： | 王斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 上海师范大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
