原文传递
面向交通数据的时空序列建模和预测技术研究
| 论文题名： | 面向交通数据的时空序列建模和预测技术研究 |
| 关键词： | 交通预测;动态图学习;卷积神经网络;时空预测 |
| 摘要： | 交通预测是先进交通管理系统（IntelligentTransportationSystem,ITS）的关键部分，也是实现交通规划、交通管理和交通控制的重要组成部分。精准的预测，既有助于交通管理者在避免交通拥堵和限制车辆流动等方面提供科学依据，又有助于出行者在制定出行计划和选择出行路线等方面提供效率保障。 现阶段，交通预测仍面临的问题主要体现在三方面:第一点，如何建模交通数据中的动态时空相关性;第二点，如何动态表征空间结构;第三点，如何减少长期预测的误差传递。针对上述问题，本文提出了三个面向时空数据处理的时空序列级交通预测模型。在真实数据集上，验证了所提出模型的优越性。 本文的主要贡献如下: (1）针对第一个问题，我们提出了一种新型的基于多视角注意力机制的短期交通预测模型（MH-GCN)。MH-GCN使用了一个基于注意力的编码器-解码器结构。首先，MH-GCN在编码器中使用时空注意力机制来建模非线性时间相关性和动态空间相关性。然后，解码器使用卷积组、池化组和空洞组从已经建模的特征中提取不同层次的时空特征，并将融合后的结果用于预测未来的交通状况。在两个真实数据集的实验结果表明，MH-GCN在短期预测中获得了最好的效果。 (2）针对第二个问题，我们提出了一种全新的基于动态图学习的时空数据建模和预测模型（DSGCN)。为了使图卷积网络具有灵活且实用的图结构，DSGCN设计了一个动态图学习模块来表征道路网络中节点之间变化的依赖关系。首先，DSGCN设计了一个与空洞卷积协作的inception结构以捕获时间相关性。其次，DSGCN使用了一个双阶图卷积模块来捕获复杂的空间依赖关系。在多个时空预测任务中的实验结果表明，DSGCN在长期的预测效果表现最佳。 (3）针对第三个问题，我们提出了一个新颖的基于多尺度卷积网络的长短期预测模型（MSCN)，这是一个用于解决交通预测问题的端到端方案。MSCN,首先采用了一个带有时空注意力机制的编码器来建模时空相关性。然后，解码器使用了多个由卷积组成的单元组来提取不同尺度的时空特征。特别是，我们提出了一个软阈值融合机制来自适应性地调整时间相关性和空间相关性的传递。在真实交通数据集上的实验表明，所提出的MSCN获得了最好的效果。 |
| 作者： | 李子龙 |
| 专业： | 计算机技术 |
| 导师： | 任倩倩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 黑龙江大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
