原文传递
基于Transformer和GNN的城市交通流预测方法研究
| 论文题名： | 基于Transformer和GNN的城市交通流预测方法研究 |
| 关键词： | 短时交通流预测;Transformer基础模型;图神经网络;时空数据;深度学习 |
| 摘要： | 交通流量预测是智慧城市和智慧交通领域的重要研究方向，对于城市交通管理、城市规划和出行预测具有重要的指导作用。在交通流预测研究领域，如何更好地捕捉交通流数据所蕴含的时空信息并更精确地预测统计指标是研究者们关注的重点。传统的机器学习方法已经难以很好地预测拥有复杂时空信息的交通流数据，因此研究者们越来越关注如何选用适宜的深度学习模型来训练特定数据格式的交通流数据。本文深入研究了如何设计高性能的交通预测模型来应对不同交通流格式下的交通流预测任务： 1.针对传统Transformer模型在拟合包含空间和时间信息的交通流数据方面存在缺陷的问题，本文结合网格化交通流预测任务提出了一种新颖的基于Transformer的交通预测模型TST-Trans。TST-Trans利用ST-embedding来获取基于网格的交通流数据的空间依赖关系。Spatial-block模块减少了近86%的模型参数数量。通过调整位置编码的位置，使PE更好地辅助模型预测效率提升近2%，并降低了表现的波动情况。通过采用MSA机制和ST-embedding方法，Transformer-block模块可以更全面地考虑静态信息，捕捉变化的时空相关性，提升了模型近7%的预测精度。 2.针对传统图卷积模型依赖于只包含真实空间拓扑关系的缺陷，本文从数据驱动的层面提出了基于多元相关性和KNN的邻接矩阵构造方法用于扩展空间的潜在关系。此外，本文构造了一种新颖的包含空间图注意力和图卷积模块以及Attention-2D-TCN模块的ST-GTNN模型，两者分别结合了空间、时间注意机制，从减少信息丢失的角度设计了拼接维度和残差机制来尽可能减少时空数据特征在模型内部传递时因维度转换造成的信息丢失。与现有方法相比，ST-GTNN模型的预测精度提升了4.8%。 3.在本论文前两个工作内容的基础上设计并实现了预测算法集成和大数据可视化系统UTFPS。该系统由用户界面、业务中台、数据后台三大部分组成。包括交通流查询功能模块、模型训练功能模块和交通流预测功能模块。此外，本文并对UTFPS各个功能模块的业务流程进行了详细的流程设计,并根据功能设计和业内目前的主流技术，对UTFPS进行了实现。最终的UTFPS，具有小型轻量化、功能较为完善、系统框架功能扩展性强、交互性界面友好简便等特点。 |
| 作者： | 任泓锦 |
| 专业： | 计算机科学与技术 |
| 导师： | 张可 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
