原文传递
基于时空数据的深度城市交通预测研究
| 论文题名： | 基于时空数据的深度城市交通预测研究 |
| 关键词： | 智能交通系统;出行需求预测;交通流量预测;马尔可夫聚类算法;时空图注意力网络;生成对抗网络 |
| 摘要： | 随着城市化进程的推进，智能交通系统(Intelligent Transportation Systems,ITS)方便了城市居民出行，也促进了城市的经济文化发展。准确的交通预测对构建智能交通系统至关重要，为交通规划、居民出行、运营部门做决策提供建议。交通预测领域中包括对出行需求、交通流量和交通速度的预测。本文对出行需求和交通流量预测进行研究，主要贡献如下: 对于出行需求预测，本文提出了一种基于马尔可夫聚类算法和时空图注意力网络的出行需求预测模型(MCL-STGAT)。该模型包括三个模块:时间块，空间块和预测层。 在空间块中，本文提出了一种基于马尔可夫聚类算法构建交通语义相关图的新方法,根据交通语义相关图构造语义相关矩阵以获取交通数据的深层次语义信息。考虑到交通数据的复杂性和转化为图数据后的非欧几里得数据结构性质，本研究采用基于Node2Vec图嵌入算法的图注意力层和基于马尔可夫聚类算法的卷积层来获得深层空间依赖性。时间块中采用长短时记忆网络来捕获交通数据的时间依赖关系。在纽约市黄色出租车数据集上，MCL-STGAT的性能评价指标:平均绝对误差(MAE)为0.35,均方根误差(RMSE)为0.45。在成都市网约车数据集上,MCL-STGAT的性能评价指标:平均绝对误差为0.028,均方根误差为0.048。实验结果表明，MCL-STGAT比其他基线模型预测准确程度更高。 对于交通流量预测，本文提出一种基于生成对抗网络的城市交通流量预测模型(TGAN)。该模型包括两个部分:空间特征提取模块和生成对抗网络框架。空间特征提取模块中采用基于Node2Vec图嵌入算法的卷积神经网络捕捉深层空间依赖性;提出一种基于Node2Vec图嵌入算法构造交通嵌入图的新方法，得到的嵌入矩阵使交通数据适合卷积神经网络处理。生成对抗网络框架用来捕捉交通流量如何随出行需求的变化而演变的基本模式。本研究使用纽约市黄色出租车数据集和成都市网约车数据集进行实验，采用评价指标:真实流量分布与生成流量分布之间的欧几里得距离D1、MAE和RMSE衡量生成流量分布和真实流量分布之间的差异。纽约市黄色出租车数据集得到的D1、MAE和RMSE分别为425.73、4.86和8.71。成都市网约车数据集得到的D1、MAE和RMSE分别为597.47、9.56和16.59。实验结果表明，TGAN比基线模型预测更准确。 |
| 作者： | 张韬毅 |
| 专业： | 计算机技术 |
| 导师： | 魏志成 |
| 授予学位： | 硕士 |
| 授予学位单位： | 河北师范大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
