原文传递
基于时空注意力的道路交通预测应用研究
| 论文题名： | 基于时空注意力的道路交通预测应用研究 |
| 关键词： | 城市道路;交通流预测;深度学习;时空注意力机制 |
| 摘要： | 随着社会经济的快速发展,道路交通状况变得越来越复杂,从而导致交通拥堵等问题尤为突出.而交通流预测作为智能交通管理决策的重点研究方向之一,有助于人们对相关道路提前干预疏导, 解决交通拥堵等道路难题. 迄今为止, 许多相关的预测方法被应用到交通流预测,但交通系统的固有复杂性、路网关联性、时空非线性和人为参与不确定性等影响因素相互叠加, 使得预测交通流成为一个具有挑战性的任务. 因此, 为有效建模交通时空数据中的潜在关联及其变化趋势,本文提出基于时空注意力机制的深度学习方法进行交通流预测,主要研究工作如下所述. 针对单一模型无法有效捕获交通数据复杂的时空非线性, 难以获得令人满意的预测结果,本文提出一种基于注意力的门控卷积-双向长短期记忆(Attention-based Gated Convlutional-Bidirectional Long Short-Term Memory, AGC-BLSTM) 网络模型用于交通流预测. AGC-BLSTM 模型通过门控卷积神经网络和双向长短期记忆网络组成的多层网络结构分别捕获交通流的空间和时间特征,同时利用注意力机制自动识别对当前预测最为重要的历史时刻, 从而为不同时刻提取的交通特征分配相应的权重. 此外, 模型使用并行的子模块来建模交通流的三种时间属性,即周、日和短期的时间依赖关系,最后融合这三个模块的输出得到预测结果. 在贵阳市道路交通数据集上的实验结果表明,相比于其他基准模型, AGC-BLSTM模型具有更好的预测效果. 考虑到交通流数据具有高度的动态时空相关性和路网关联性,如不同地点之间在特定时刻的相互影响程度是有区别的,同一地点在不同时刻之间的关联性也是不同的. 本文提出一种基于时空注意力的道路交通预测(Spatial-Temporal Attention-based Road Traffc Prediction, STARTP)模型. STARTP模型通过带有空间注意力的编码器模块自适应地捕获空间维度中不同地点的动态联系,同时建模空间相关性和周期依赖性;利用带有时间注意力的解码器模块提取不同时刻的时间依赖性; 最后结合自回归模型提取交通流的线性关系得到预测结果.在PeMSD4和PeMSD8数据集上的实验结果验证了STARTP模型能够有效捕获道路交通数据的动态时空特征,预测效果更好. 综上所述,本文提出的AGC-BLSTM和STARTP模型基于注意力机制能够更好地提取交通流时空融合特征、挖掘动态时空相关性. 相比于经典的时间序列分析模型和先进的深度学习模型,预测误差均较低,对于提高智能交通管理效率具有重要意义. |
| 作者： | 刘智权 |
| 专业： | 应用统计 |
| 导师： | 胡尧 |
| 授予学位： | 硕士 |
| 授予学位单位： | 贵州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
