原文传递
基于图卷积网络的时空交通流预测研究
| 论文题名： | 基于图卷积网络的时空交通流预测研究 |
| 关键词： | 交通流量预测;图神经网络;注意力机制;生成对抗网络 |
| 摘要： | 交通运输在社会经济发展中发挥着重要作用，它能够将社会的生产、交换、分配、消费等诸多环节合理连接，是我国社会经济与生活等各个方面能够正常运行的重要基石。城市现代化进程加速和国民多元化出行的发展趋势，给交通管理带来了巨大压力,智能交通系统应运而生。智能交通系统以人工智能和网络通信技术为依托，协同、辅助科学决策，提升城市道路交通感知能力，以此优化交通管理结构。交通流预测属于智能交通系统中的重要一环，它可以为交通拥堵的精确感知提供可靠的科学依据，构建一个多维度、高时效的交通流预测模型对建设智能交通系统具有重要的推动作用。交通流预测并不是简单的线性回归预测问题，其数据中蕴含着复杂的时空关联特征，基于统计理论和机器学习的传统预测模型难以契合具有拓扑结构的城市交通路网数据，预测效果差强人意。现有的基于深度学习的预测方法无法完全提取时空依赖关系，在实时性等方面也存在不同程度上的缺陷。为了应对上述问题，本文基于深度学习理论知识，围绕交通流预测问题展开研究，本文的主要贡献如下: (1)提出了一种基于注意力机制的时空图卷积交通流预测模型。该模型采用新颖的空间图学习模块，从全局空间相关性和局部动态变化特性等多角度着手，最大程度上挖掘原始数据中的空间拓扑联系。此外，针对长序列时序建模中的梯度弥散问题，模型设计了一种专注于序列局部趋势变化的门控时序感知注意力机制，该机制利用多头注意力机制与卷积核局部感受野属性来提取序列局部上下文语义信息。 (2)为了解决误差累计、建模多维度空间相关性所产生的大量冗余参数等问题，本文提出了一种基于语义知识的动态对抗图学习预测模型。该模型结合自适应节点编码和动态时序编码构建动态自适应空间图，以同时捕获全局空间相关性和动态特征，降低模型复杂度。此外，模型还引入了具有先验语义知识的显示预定义图，并设计时空图融合模块来衡量不同类型的空间图结构，进一步提升了图卷积模型的广泛适用性。最后，模型采用了生成对抗训练框架从全局角度缓解误差累计问题，使用判别网络拟合真实样本的数据分布，提升了模型训练收敛速度。 (3)在真实交通数据集上对上述模型进行性能评估，相较于各个基准模型，预测准确性均得到显著提升，并且模型在数据变化拟合方面也拥有良好的表现。本文对模型中不同模块进行消融实验分析，验证了各个模块的有效性，并通过大量对比实验证明了本文所提出的模型具备优异的预测水准。 |
| 作者： | 谷亚峰 |
| 专业： | 数学 |
| 导师： | 邓黎 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
