详情

原文传递基于深度神经网络的短时交通流量预测方法研究

论文题名：	基于深度神经网络的短时交通流量预测方法研究
关键词：	短时交通流预测;时空关联特征;深度神经网络
摘要：	应用智能交通系统对交通流进行科学管控是提升路网通行效率的重要途径。及时准确的短时交通流预测数据不仅可以用于提高路网交通信号管控水平，也可以为交管部门掌握路网交通态势并提前进行预防性交通疏导提供决策依据。得益于深度学习技术的快速发展，基于深度神经网络的短时交通流预测方法已成为近几年的一个研究热点。然而，在解决孤立单交叉口和复杂路网交通流预测问题时，现有基于深度神经网络的短时交通流预测方法预测精度还有待进一步提高。因此，本文设计了一套新的短时交通流预测算法，深入挖掘孤立单交叉口中不同相位以及路网中不同交通节点间的复杂时空关联特征，来准确预测目标对象的短时交通流量信息。主要研究内容包括: 　　(1)交通流预测方法综述及仿真对比分析。本文对短时交通流量预测研究中常用方法进行了综述，包括传统短时交通流预测算法以及基于深度神经网络的短时交通流预测算法。详细阐述了长短时记忆网络(Long Short-Term Memory,LSTM)、门控循环单元(Gated Recurrent Units,GRU)、序列到序列网络(Sequence to Sequence,Seq2Seq)和图卷积神经网络(Graph Convolutional Networks,GCN)的模型原理及应用方法。为了验证深度神经网络模型进行短时交通流预测的有效性，本文在多个公开数据集上开展了仿真实验。　　(2)单交叉口短时交通流量预测。现有短时交通流预测方法较少关注孤立交叉路口内部的相位流量关系，且由于孤立单交叉口内各车道流量随机波动性大且关联性较弱，如何进一步提升孤立单交叉口短时交通流量的预测精度仍然是一个挑战。为了应对上述挑战，本文提出了基于LSTM和Seq2Seq模型的多任务并行学习短时交通流预测方法(MTL-fusion)。在交通信号控制中，相位流量等于其内部条车道的流量之和，不同于传统交通流预测方法直接以各条车道的交通流量为最小预测单元进行预测，本文所提MTL-fusion方法以各相位的交通流量作为最小预测单元，以解决对单条车道流量进行预测时容易因交通流量波动过大而导致预测精度偏低的问题。最后，利用采集的嘉兴市昌盛南路-华严路交叉口真实交通流数据，对所提交通流预测算法进行了仿真测试。测试结果表明，与基于Seq2Seq模型的预测算法相比，所提MTL-fusion方法在不同采样时间步长下均能取得较好的预测效果，评价指标MSE和MAE分别降低了 7.88％和15.54％。　　(3)路网短时交通流量预测。在进行路网交通流量预测时，能否准确建模路网中各交通节点间的空间关联关系直接影响交通流预测算法的预测精度。然而现有基于GCN的短时交通流预测方法中，GCN预定义参数矩阵通常只能建模路网中存在直接物理关联的各节点间的显性关联关系，并未考虑路网中非直接物理关联的交通节点之间的隐藏关联关系。本文提出了一种基于多图卷积神经网络融合模型的短时交通流预测方法(MGCN-fusion)。该方法通过构建多图卷积网络(Multi-graph Convolutional Networks,MGCN)来同时建模路网中节点间的显性关联关系和隐藏关联关系，使用门循环单元(GRU)来建模路网中不同交通节点流量数据之间的时间相关性。另外，设计了一种带有辅助损失的融合策略来实现MGCN-fusion内各模块预测结果的融合。最后，在典型公开数据集PEMS04和PEMS08开展仿真测试，验证了所提算法的有效性。相比于LSTM,MGCN-fusion模型在数据集PEMS08上的三个指标(MAE、MAPE和RMSE)分别降低了 4.93％、15.26％和 4.55％。
作者：	朱仕威
专业：	电子信息
导师：	叶宝林;姚青
授予学位：	硕士
授予学位单位：	浙江理工大学
学位年度：	2023