原文传递
路网OD-介数中心性分析与预测研究
| 论文题名： | 路网OD-介数中心性分析与预测研究 |
| 关键词： | 城市道路网络;交通流量;时序预测;OD-介数中心性;图卷积网络 |
| 摘要： | 随着城市的不断发展和扩张，城市道路网络变得越来越复杂，导致交通拥堵加剧，需要有效的交通管理和规划策略。传统的交通预测管理侧重于城市局部路段的交通状况，难以从更全局的角度进行管理预测。借助网络中心性进行全局管理是一个思路，但基于最短路径通过量、已被应用于道路网络分析的介数中心性（Betweenness Centrality, BC）却有着一定的局限性，例如它认为所有的点对权重一样，且没有结合实际的始发地-目的地（Origin-Destination, OD）信息，所以也较难充分表征城市交通流的复杂性。 为解决上述缺陷，本文借助了OD-介数中心性（OD -Betweenness Centrality, ODBC），这是一个结合了实际OD流量信息、对介数中心性进行改造得到的新型中心性，理论推导与实验分析均表明其与实际交通流呈较高的正相关。本文还就OD-介数中心性的计算，提出了可行的计算方法，并将计算结果加以可视化，也印证了其与交通流的关联度。 此外，为了进一步对全局路网进行分析、管理，本文计划从历史时刻的OD-介数中心性中挖掘更多信息。由于OD-介数中心性较大的区域具有较高的交通流量，其在交通疏导、导航规划、商业广告牌布局等方面有更高的社会价值。而这些区域在路网中的排名也相对较高，因为本文更侧重于找出下一时刻OD-介数中心性排名高的若干区域，于是将这一问题转化为排名预测问题。为解决此问题，本文提出了ST-ODBC模型，这是一种用于预测道路网络中的OD-介数中心性排名的机器学习方法。ST-ODBC模型旨在通过前k个时间片的OD-介数中心性排名预测下一时间片的OD-介数中心性排名。ST-ODBC模型主要由图卷积网络（GCN）、长短期记忆神经网络（LSTM）和全连接（FC）层组成。GCN主要用于捕获空间信息，LSTM则负责捕获时间序列特征。通过实验和分析对该模型的性能进行了评估，证明了ST-ODBC模型在预测路网OD-介数中心性排名方面的有效性。此外，本文还对介数中心性及其变体、基于机器学习的顶点排序等相关文献进行了全面综述。 |
| 作者： | 郑植效 |
| 专业： | 网络空间安全 |
| 导师： | 周晓方 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
