原文传递
基于深度学习的城市交通流量分析与预测
| 论文题名： | 基于深度学习的城市交通流量分析与预测 |
| 关键词： | 智慧交通;交通流量预测;时空数据;深度学习;注意力机制 |
| 摘要： | 随着社会不断发展，城市化进程加速，城市交通路网结构的复杂性和规模急剧增加，居民出行需求持续增长，我国机动车保有量已经达到4.17亿辆，道路拥堵等交通问题不可避免地出现，为了应对这些交通问题，许多城市开始组建智能交通系统（IntelligentTransportationSystem,ITS）。ITS中一个关键部分是交通流量预测系统，它可以利用交通工具或传感器产生的数据（例如出租车轨迹数据、手机信令数据），使用深度学习模型来预测未来一段时间的交通流量，根据预测结果，交通管理部门可以重点关注未来可能发生拥堵的区域，及时实施交通管制，降低道路拥堵和交通事故的发生率。 目前，基于深度学习的交通流量预测模型已经取得了显著的成功，但仍存在一定的局限性。第一，交通流量作为时空序列数据，蕴含时空相关性、周期性，如何充分挖掘这些特征一直是交通流量预测的难点；第二，交通流量容易受到各种自然、社会因素的影响，例如天气、节假日、兴趣点（Pointsofinterest,POI）等，如何精准建模外部信息是交通流量预测另一个难点，尽管现有的模型已经借助外部信息来辅助预测交通流量，但仍未能充分利用这些数据。 为了应对当前交通流量预测领域存在的问题，本文提出了一种融合多种外部信息的自注意力残差网络STA-RNIMEI。STA-RNIMEI模型对于外部信息的建模部分，针对不同的异构数据使用不同的嵌入方法，具体来说，对于POI分布数据，使用时间感知和通道注意力机制捕获城市区域功能在时间维度上的动态性，而对于气象数据，使用全连接网络和卷积来建模。在STA-RNIMEI模型的主体架构中，为了考虑交通流量的邻近性和周期性，我们筛选出与预测时间高度相关三个历史数据分量：短期数据、日周期数据和周周期数据，在三个结构相同的子模块上分别提取对应分量的时空相关性。在每个子模块中，使用ConvLSTM和堆叠的3D残差卷积单元（3D-ResUnit）两个分支联合提取流量数据的时空特征：ConvLSTM可以捕获流量数据中的长期趋势，同时学习到邻近区域的空间相关性；3D-ResUnit由3D卷积层和残差网络组成，可以捕捉跨时间的交通相关性，感知到邻近区域的历史交通特征。最后使用视觉转换器（VisionTransformer,ViT）捕获城市区域之间潜在的远距离空间依赖关系。在北京市出租车轨迹数据集和长春市手机信令数据集上的实验结果表示，本文提出的STA-RNIMEI模型相比其他基准模型，预测性能有较大提升。 |
| 作者： | 孙兴辉 |
| 专业： | 软件工程 |
| 导师： | 李颖 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
