详情

原文传递城市主干路交通流深度学习预测及事故风险分析

论文题名：	城市主干路交通流深度学习预测及事故风险分析
关键词：	交通流预测;深度学习;智能优化算法;交通事故风险预测
摘要：	城市主干路承担大量的运输工作，是城市内部重要的交通枢纽。随着居民汽车保有率的迅速上升，城市交通拥堵、交通事故和环境污染等问题日益频发。在这种情况下，智能交通系统(IntelligentTrafficSystem,ITS)运用智能化的技术手段为解决城市交通问题提供帮助。通过对城市主干路相关信息的研究分析，建立深度学习模型对目标路段进行交通流预测。并以交通流预测结果为主要因素，结合其他相关因素对交通事故风险进行分析和预测。设置多组对比实验，验证提出模型和方法的优越性。　　(1)对青岛市主干路交通数据进行采集和处理。首先，收集4条典型城市主干路的相关信息，对数据进行分类汇总，整理出间隔为5min的交通流量和交通速度等数据。其次，对异常数据进行数据清洗。编写自动识别程序对缺失数据、错误数据和过限数据进行补充和替换。最后，使用Savitzky-Golay滤波器对交通流时间序列进行平滑处理。并对交通流时间序列进行特性分析，从而为后续研究建立基础。　　(2)建立深度学习模型对主干路进行短时交通流预测。主干路短时交通流呈现实时动态变化，预测模型需要同时具备预测准确和训练快速的特点。因此提出一种结合灰狼优化算法(GreyWolfOptimizer,GWO)、注意力(Attention)机制与门控循环单元(GatedRecurrentUnit,GRU)的短时交通流预测模型(GWO-Attention-GRU)。该模型以GRU为基础，利用Attention机制为GRU每个单元提取的特征信息分配单独权重，提高模型对重要信息的关注度。同时使用GWO算法优化Attention机制的初始权重参数。进而构建一个能够快速准确预测短时交通流的模型。设置多组对比模型进行实验仿真分析。结果表明，GWO-Attention-GRU模型相比传统预测模型具有更低的预测误差和更快的模型收敛速度。　　(3)建立深度学习模型对主干路进行中长时交通流预测。为了提高中长时交通流预测的准确度，提出一种融合多因素的Attention-Bi-GRU交通流预测模型(TGM)。模型分为两个模块对交通流的影响因素进行特征挖掘。模块1通过深度分析天气因素的影响，使用MLP提取天气因素的特征信息。模块2采用正反两方向都加入Attention机制的双向门控循环网络(BidirectionalGatedRecurrentUnit,Bi-GRU),对交通流进行特征挖掘。最后将两组模块融合输出交通流的预测结果。实验结果表明，TGM模型预测未来15min和25min的交通流准确度相比Bi-GRU模型提升了7.09％和7.99％。因此,TGM模型具有更好的交通流预测稳定性和准确性。　　(4)根据交通流预测的结果，结合其他相关因素对主干路交通事故风险进行分析和预测。首先，对主干路交通事故的风险进行等级分类，将分类结果热编码为相应的数字。并通过相关性分析，选择交通流时间序列和天气因素作为风险等级预测的输入部分。其次，将交通流预测结果添加到交通流时间序列中。对交通流时间序列进行数据分解并划分为3类分量。建立相应深度学习模型对不同类型的分量和天气因素进行特征挖掘。最后，将提取的特征信息矩阵输入到使用布谷鸟搜索算法(CuckooSearch,CS)优化的SVM模型中进行风险等级分类。通过实验证明，CS-SVM模型相比传统模型具有更高的ACC值和F1值。该模型能够有效预测未来一段时间的交通事故风险等级，为驾驶人的出行提供安全预警，从而降低交通事故发生的概率。
作者：	兰添贺
专业：	交通运输
导师：	曲大义;马晓龙
授予学位：	硕士
授予学位单位：	青岛理工大学
学位年度：	2023