原文传递
基于图卷积神经网络的多尺度交通流量预测方法研究
| 论文题名： | 基于图卷积神经网络的多尺度交通流量预测方法研究 |
| 关键词： | 交通预测;时空数据挖掘;图卷积神经网络;多任务学习;多通道融合 |
| 摘要： | 随着经济发展、工业化与城市化以及私人汽车普及，导致了越来越严重的交通拥堵和交通事故等问题。为解决该问题，智能交通系统（ITS，IntelligentTransportationSystem）应运而生，ITS是一个利用数字通信以及大数据技术构建形成的先进交通管理控制系统，旨在提供一个更加安全、协调及智能的交通运输网络，以便让用户及时了解到目前的交通状况。智能交通系统实现的一项关键基础技术是交通流的准确预测。准确的城市交通流预测有助于向出行者展示实时的道路状况，为ITS提供动态数据支撑，从而能够缓解道路拥堵，为出行者节约时间。 但是，现有的交通预测模型大多侧重于道路级别的细粒度交通流预测。然而，很多时候还需要粗空间粒度的交通预测，例如预测由多条道路组成的交通区域的交通流，以帮助交通部门从宏观角度更好地理解交通状况。为此我们提出了一种多任务时空网络模型Multi-TaskSpatial-TemporalNetworks(MT-STNets)，同时实现细粒度与粗粒度的交通预测。此外，现有的工作忽略了不同类型的交通特征变量之间的相关性。例如，交通流量和交通速度通常是负相关的，现有的研究将这些交通相关特征视为独立特征，而没有考虑它们之间的相关性。为解决该问题，我们进一步提出了多变量感知的时空图卷积网络MultivariableCorrelation-awareSpatio-TemporalGraphConvolutionalNetworks(MC-STGCN)，该模型能够自动捕获对最终预测影响最大的交通变量。 本文主要的研究内容与创新如下： （1）研究了多尺度交通速度预测问题，并提出了一个多任务时空网络模型MT-STNets来有效地解决这一问题。具体地说，给定一个道路图，首先基于道路节点之间的拓扑临近度和交通流相似性构造一个粗粒度区域图。然后提出了一种跨尺度时空特征学习与融合模块，用于处理细粒度和粗粒度的交通数据。为了保证两种尺度数据的预测一致性，还引入了结构约束。我们在两个真实的交通数据集进行了广泛的评估，结果表明该方案在细粒度和粗粒度交通流预测方面都具有优异的性能。 （2）研究了多变量相关感知的多尺度交通流量预测问题，提出了一种多元感知时空图卷积网络MC-STGCN来有效地解决这一问题。在第一个工作基础上进行了大量改进，我们提出了一个多通道融合模块，用于学习对最终预测最相关的交通变量，还提出一种动态图结合静态图卷积的方法，更好地提取交通路网的空间特征。我们在三个不同大小的真实数据集上进行了广泛的实验，结果证明了模型的有效性。 |
| 作者： | 张美越 |
| 专业： | 计算机技术 |
| 导师： | 王森章 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
