原文传递
基于数据划分重构和特征选择的时空融合交通流预测研究
| 论文题名： | 基于数据划分重构和特征选择的时空融合交通流预测研究 |
| 关键词： | 交通流预测;时空融合;图自注意力机制;数据划分 |
| 摘要： | 缓解交通拥堵是提高居民出行效率，提升城市品质亟待解决的问题，智慧交通系统通过宏观的交通管控和微观的交通诱导实现交通供需平衡。智慧交通系统的运行依赖未来时间段内准确的交通流预测，本文从交通流数据和预测模型两方面进行了研究，具体工作内容如下: (1)为了获得更稳定的交通流数据，提高模型的运行效率和预测精度，针对缺失数据，按照连续缺失量分别采用拉格朗日插值法和平均值法进行补全;针对工作日和休息日的交通流变化周期存在的差异，采用皮尔逊相关性系数计算交通流数据间的相关性，并将原交通流数据按照数据相关性重新划分为工作日数据和休息日数据;针对交通流数据的不确定性，通过奇异谱分析对数据进行分解与重构，剔除数据中的噪声，提高交通流数据的稳定性。 (2)为了提高基于时序数据的交通流预测模型的预测精度，提出一种基于数据简化的多周期融合交通流预测模型。模型以Transformer为基础，针对Transformer模型对数据量需求较大的问题,根据交通流的特点和Transformer模型的预测方式,提出一种数据简化方法;针对Transformer模型对时序位置信息表达较弱的问题，构建三个相同的模型分别对近期、日周期和周周期的交通流序列进行建模，并通过前馈神经网络融合预测结果。 (3)为了提高基于路网数据的交通流预测模型的预测精度，提出基于特征选择的时空融合预测模型STTF-XGB。针对空间特征的提取，将邻接矩阵和自注意力机制结合，设计图自注意力机制用来学习路网的空间特征;设计时间-空间-时间结构的时空特征提取模块，利用自注意力提取时序特征，图自注意力提取空间特征，1×1卷积融合时空特征;针对多头注意力带来的过多特征，将提取的时空特征送入经过改进麻雀搜索算法优化初始参数后的XGBoost模型中进行特征筛选。实验结果表明:STTF-XGB模型在MAPE、MAE和RMSE上的预测精度分别为96％～97％,89.3％～92.8％和85.3％～90.9％;相较于经典的时空融合预测模型在整体上约提升5％,验证了模型的有效性。 |
| 作者： | 王珅 |
| 专业： | 交通运输 |
| 导师： | 李昕光 |
| 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
