原文传递
考虑时空特性的交通流预测及交通状态研究
| 论文题名： | 考虑时空特性的交通流预测及交通状态研究 |
| 关键词： | 交通流预测;深度学习;时空交通流;注意力机制 |
| 摘要： | 随着城市化进程的不断发展，选择私人交通工具出行的人数日益剧增，在道路资源有限的情况下，不断增长的车辆数，势必会造成一系列交通问题的产生，其中交通拥堵是许多国家所面临的难题。交通流预测可为缓解交通拥堵提供有效的数据支撑，较为准确和直观的交通流信息可以使交通参与者做出更适合的决策。为了有效缓解交通拥堵所带来的问题，本文从交通流预测的角度出发，以提高交通流量的预测精度为目的，构建了基于深度学习的交通流预测模型。为了更加直观地表明路段上的交通状态，在交通流预测的基础上进一步提出了一种基于深度学习聚类算法的交通状态预测模型。具体的工作内容如下: (1)分析交通流的影响因素，选择交通流量、平均速度和时间占有率作为衡量交通流变化的特征参数。分别从时间维度和空间维度对交通数据进行可视化，分析交通流的相关特性，并介绍相关深度学习理论算法模型，为建立交通流预测模型提供理论基础。 (2)基于协同方式的时空注意力交通流预测模型构建。引入图卷积网络和时间卷积网络提取交通流在空间维度和时间维度的变化特征。提出了一种基于协同方式的时空注意力机制，考虑交通流在时间维度和空间维度之间存在的潜在关联性，用于同时动态捕获交通流时空信息之间存在的长期依赖关系，明确不同特征信息在不同时空维度下的影响度。引入新的激活函数用于提高交通流预测模型的预测性能。 (3)协同时空注意力的交通流预测模型应用。将提出的交通流预测模型应用在两个真实的数据集PeMSD4和PeMSD8上，对模型的预测性能进行验证和分析。首先，对数据进行预处理，优化数据并对数据进行划分。其次，确定模型评价指标与超参数设置。最后，从交通流预测的准确和及时两个方面，通过与现有的预测模型进行对比分析，论证了模型的准确性和及时性。 (4)时空注意力聚类算法的交通状态预测模型构建与验证。以交通流量、平均速度和时间占有率作为衡量交通状态划分的依据，根据高速公路交通流的运行特性，使用软聚类方法中的模糊c均值算法和高斯混合函数将样本数据划分为畅通、稳定和拥堵三类，并结合本文所提出的基于协同方式的时空注意力交通流预测模型实现对交通状态的间接预测。通过PeMSD8数据集对模型的预测结果进行分析和验证，统计的准确率可以达到91.4％。 |
| 作者： | 李梦杉 |
| 专业： | 交通运输 |
| 导师： | 李敏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 青岛理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
