原文传递
基于BiGRU-TCN和图神经网络的短时交通流预测
| 论文题名： | 基于BiGRU-TCN和图神经网络的短时交通流预测 |
| 关键词： | 交通流预测;时空特征;图神经网络 |
| 摘要： | 随着城市规模的不断扩张，道路传感器的数量也不断增加，由此产生了海量的交通数据，这对交通预测模型的研究提出了巨大的挑战。交通数据作为典型的时空图数据，兼具复杂的时间和空间相关性。然而，以往对于交通状况预测的研究，大多集中在捕获交通数据的时间特征上，忽略了交通数据的空间动态变化和交通事件之间固有的时间因果关系。因此本文综合图神经网络（GNN）、双向门控神经网络（Bi-GRU）以及时间卷积网络（TCN）的优势，建立交通流预测模型，挖掘交通数据的时空特征，对短时交通流进行准确预测。主要研究内容如下： （1）本文提出了一种带有时间卷积模块的BiGRU-TCN模型。该模型由Bi-GRU和嵌入捕获交通数据的因果性的时间卷积网络（TCN）组成，负责提取交通道路网络中的时间特征。它通过对时间序列中的交通事件进行上下文分析来捕获总体的时间相关性，以揭示交通事件之间潜在的因果关系。本文在三个真实交通数据集上与其他交通预测方法进行了比较实验，验证了所提出的BiGRU-TCN模型在提取时间特征时具有不错的效果。 （2）本文将提取空间特征的图神经网络（GNN）与提取时间特征的BiGRU-TCN模型结合，构建了可以捕获时空特征的时空组合模型。通过PeMS高速公路数据集上的实验发现，时空组合模型的预测效果优于单独处理时间或空间特征的模型，验证了在预测交通流任务上，提取交通数据中空间特征的必要性。 （3）本文针对一般时空组合模型不能充分提取交通路网中的时空特征，提出改进的时空组合模型。将原始的交通数据并行输入到图神经网络（GNN）和双向门控时间卷积网络（BiGRU-TCN）中，实现最大程度地提取交通数据中的时空特征，并在城市交通路网SZ-taxi数据集上进行仿真实验，验证了本文改进的时空组合模型在预测交通任务上取得了更好的效果。 |
| 作者： | 张宇 |
| 专业： | 应用统计 |
| 导师： | 胡潇潇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
